論文の概要: A New Approach for Explainable Multiple Organ Annotation with Few Data

• arxiv url: http://arxiv.org/abs/1912.12932v1
• Date: Mon, 30 Dec 2019 14:06:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-17 01:57:52.024667
• Title: A New Approach for Explainable Multiple Organ Annotation with Few Data
• Title（参考訳）: 少ないデータで説明可能な多臓器アノテーションの新しいアプローチ
• Authors: R\'egis Pierrard (LIST, MICS), Jean-Philippe Poli (LIST), C\'eline Hudelot (MICS)
• Abstract要約: 本稿では,ファジィ関係の学習に基づく推論フレームワークを提案する。 我々は、いくつかの臓器がすでにセグメンテーションされている医療画像の公開データセットに対して、我々のアプローチをテストする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the recent successes of deep learning, such models are still far from some human abilities like learning from few examples, reasoning and explaining decisions. In this paper, we focus on organ annotation in medical images and we introduce a reasoning framework that is based on learning fuzzy relations on a small dataset for generating explanations. Given a catalogue of relations, it efficiently induces the most relevant relations and combines them for building constraints in order to both solve the organ annotation task and generate explanations. We test our approach on a publicly available dataset of medical images where several organs are already segmented. A demonstration of our model is proposed with an example of explained annotations. It was trained on a small training set containing as few as a couple of examples.
• Abstract（参考訳）: 最近のディープラーニングの成功にもかかわらず、そのようなモデルはいくつかの例から学び、推論し、決定を説明するような人間の能力とは程遠い。 本稿では,医療画像における臓器アノテーションに着目し,ファジィ関係の学習に基づく推論フレームワークを提案する。 関係のカタログが与えられると、最も関係性の高い関係を効率的に誘導し、それらを組み合わせて制約を構築し、オルガンアノテーションタスクを解決し、説明を生成する。 我々は、複数の臓器がすでにセグメンテーションされている医療画像の公開データセットで、このアプローチをテストする。 解説したアノテーションの例を例に,本モデルのデモンストレーションを提案する。 少数の例を含む小さな訓練セットで訓練された。

関連論文リスト

• CNN-based explanation ensembling for dataset, representation and explanations evaluation [1.1060425537315088]
  畳み込みモデルを用いた深層分類モデルによる説明文の要約の可能性について検討する。 実験と分析を通じて、モデル行動のより一貫性と信頼性のあるパターンを明らかにするために、説明を組み合わせることの意味を明らかにすることを目的とする。
  論文  参考訳（メタデータ） (2024-04-16T08:39:29Z)
• Learning with Explanation Constraints [91.23736536228485]
  我々は、説明がモデルの学習をどのように改善するかを分析するための学習理論フレームワークを提供する。 我々は,多数の合成および実世界の実験に対して,我々のアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2023-03-25T15:06:47Z)
• Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images [52.527733226555206]
  複数のインスタンス学習モデルを説明するための4つの属性法について検討する。 急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。 我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
  論文  参考訳（メタデータ） (2023-03-15T14:00:11Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Learning Incrementally to Segment Multiple Organs in a CT Image [11.082692639365982]
  マルチ組織セグメンテーションモデルを漸進的に学習することを提案する。 漸進的な学習段階では、以前のデータやアノテーションへのアクセスが失われます。 我々は,CT多臓器分節化において,このような弱点はほとんど消失することが実験的に確認された。
  論文  参考訳（メタデータ） (2022-03-04T02:32:04Z)
• Self-explaining Neural Network with Plausible Explanations [2.724141845301679]
  本稿では, 経時的院内死亡予測のための自己説明型ニューラルネットワークを提案する。 我々は、説明の原子単位として、ドメイン知識駆動型逐次組織障害評価(SOFA)の臓器特異的スコアを使用します。 以上の結果から,SOFA臓器スコアの経時的変化による死亡率の変動について興味深い知見が得られた。
  論文  参考訳（メタデータ） (2021-10-09T15:32:17Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Incremental Learning for Multi-organ Segmentation with Partially Labeled Datasets [8.370590211748087]
  インクリメンタル学習(il)を通じて,マルチオーガンセグメンテーションモデルを学ぶ 各IL段階では、以前のアノテーションにアクセスできなくなり、その知識は現在のモデルによって推定される。 新しい臓器を含む臓器分割モデルを更新することを学びました。
  論文  参考訳（メタデータ） (2021-03-08T03:15:59Z)
• This is not the Texture you are looking for! Introducing Novel Counterfactual Explanations for Non-Experts using Generative Adversarial Learning [59.17685450892182]
  反実用説明システムは、入力画像を変更して反実用推論を可能にする。 本稿では, 対向画像から画像への変換技術に基づく, 対向画像の説明を新たに生成する手法を提案する。 その結果,我々のアプローチは,2つの最先端技術システムよりも,メンタルモデル,説明満足度,信頼度,感情,自己効力に関して有意に優れた結果をもたらすことがわかった。
  論文  参考訳（メタデータ） (2020-12-22T10:08:05Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• Multi-organ Segmentation via Co-training Weight-averaged Models from Few-organ Datasets [45.14004510709325]
  そこで本研究では,少数のデータセットから統一的なマルチ組織セグメンテーションネットワークを学習するための平均重み付きモデルを提案する。 ネットワーク間のノイズの多い指導を緩和するため、より信頼性の高いソフトラベルを作成するために、平均的な重み付けモデルを採用する。
  論文  参考訳（メタデータ） (2020-08-17T08:39:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。