SAM-Sode：对微小细菌检测的忠实解释

物体检测的可解释性为临床辅助诊断提供了至关重要的信心支持。然而，在微小细菌检测中，由于目标形态特征的极度稀疏和复杂背景的严重干扰，传统的解释方法常常面临前景边界模糊和特征归属弥散的问题。这些限制阻碍了逻辑上连贯的形态学证据的提供。为了弥补这一差距，我们提出了一种新颖的 eXplainable AI (XAI) 框架 SAM-Sode。该框架创新地将初始特征归因图转换为几何感知提示，利用基础模型（SAM3）的先验知识来实现​​解释性映射的空间细化和形态重建。此外，我们引入了基于物理意义和几何对齐的双约束机制来执行实例级去噪，生成更符合人类专家直觉的连贯解释。在我们自行构建的具有复杂电路背景的细菌数据集（包含2,524张图像）和其他公共数据集上的实验结果表明，该方法有效抑制了背景冗余，并显着增强了微小物体​​检测的决策透明度。