本文提出了一种名为 SEG-GRAD-CAM 的基于梯度的方法，扩展了广泛使用的 Grad-CAM 方法，用于解释语义分割中每个像素的相关性。

Feb, 2020

本文提出了利用 “热图” 显示出影响影像级别的预测性诊断的像素，同时应用于 90,000 张视网膜照片和 110,000 张照片的数据集中，与其他热图检测算法相比，表现出更好的检测性能。

Oct, 2016

本文提出了一种新的基于聚类的 CNN 解释算法 Cluster-CAM，它可以分离特征图并采用认知基础映射和认知剪切策略来合并认知图生成显著性热力图，结果显示 Cluster-CAM 比现有的 CAM 能够更准确地匹配人类认知，且在效率和效果上都具有显著优势。

Feb, 2023

利用解释性 AI 方法，如 Grad-CAM 和 LRP 生成的热图在许多情况下与输入图像的分割相似，因此利用热图可以实现利用图像级监督进行弱监督分割。同时，可以对可微分的热图施加损失，这用于提高热图的人工可解释性、对网络进行正则化以获得更好的泛化能力、训练多样的网络集合，以及明确忽略混淆的输入特征。由于后一种应用类型，对热图施加损失的范式通常称为 “为了正确的理由而正确”，我们通过将半监督分割作为新的使用案例来统一这两个研究方向。首先，我们展示了可微分热图架构和标准编码器 - 解码器架构之间的形式上的相似性，其次，我们证明这种可微分热图架构在使用标准分割损失函数进行训练时可以得到有竞争力的结果，第三，我们展示了这种架构可以利用以图像级标签和少量像素级标签的形式进行弱监督训练，优于可比较的编码器 - 解码器模型。代码可在 https://github.com/Kainmueller-Lab/TW-autoencoder 找到。

Jul, 2024

通过使用三维卷积神经网络结构以及针对标注数据稀少、标注实例失衡和三维医学图像处理困难等问题进行改进与优化，本论文应用于医学图像分割领域，实现了在手部和脑部 MRI 图像上的分割与验证。

Jan, 2017

该论文提出了一种基于深度神经网络的全自动脑肿瘤分割方法，利用卷积神经网络对肿瘤进行分析和识别从而改善传统方法的效能，得出的结果比现有的最优方法提升了 30 倍以上。

May, 2015

本文研究了使用多尺度网络和显式的位置特征在卷积神经网络中，以将解剖结构位置信息与医学图像分析相整合，提高自动分割的准确性，实验结果表明，加入位置信息的网络与手工特征或不加入位置信息的网络相比较，取得了更好的结果。

Oct, 2016

利用卷积神经网络对乳腺 X 光造影图像进行分类，提出了一种高性能组织评估方法，采用局部组织分类器的方法在不同尺度上对可疑发现的组织块进行分类，使 AUC 超过了 0.9，并使用该方法生成了适用于临床设置的显著性图像。

Jun, 2018

提出了一种基于 Grad-CAM 的透明度技术，通过可视化重要的输入区域来提高人类对卷积神经网络（CNN）模型的理解，帮助理解包括图像字幕和视觉问答（VQA）模型在内的基于 CNN 的模型，并通过测量它们的分类能力、人类可信度和与遮挡地图的相关性来评估它们的视觉解释。

Nov, 2016

本研究使用 VGG19 模型进行三种可视化方法操作，包括 Gradient、LRP Z 和 LRP Epsilon，与三种像素选择方法操作，包括 Bins、K-means 和 MeanShift，以对恶性和良性的组织学图像进行分类，并比较所得到的感兴趣区域与病理学家的独立标注的结果，结果表明，Gradient 可视化方法和 MeanShift 像素选择方法可满足图像可视化的需要。

May, 2023