O K Sikha

医学影像分类的卷积网络解释图有了新的训练方式：SalientNet不依赖人工标注的显著图，而是要求生成的掩码保留足够信息，让冻结的分类器在受控容差内复现原预测。在BreakHis、Brain MRI ND5和FracAtlas三个数据集上，它相对Grad-CAM、Grad-CAM++和LIME在多数数据集与网络组合中取得更高的忠实度（Win %）和更低的预测下降（Drop %），并在FracAtlas上与医生标注的骨折区域呈现较强空间相关，ResNet-18的平均真值活跃比例最高达0.96。

医学影像分类的卷积网络解释图有了新的训练方式：SalientNet不依赖人工标注的显著图，而是要求生成的掩码保留足够信息，让冻结的分类器在受控容差内复现原预测。在BreakHis、Brain MRI ND5和FracAtlas三个数据集上，它相对Grad-CAM、Grad-CAM++和LIME在多数数据集与网络组合中取得更高的忠实度（Win %）和更低的预测下降（Drop %），并在FracAtlas上与医生标注的骨折区域呈现较强空间相关，ResNet-18的平均真值活跃比例最高达0.96。