論文の概要: Interpreting Medical Image Classifiers by Optimization Based Counterfactual Impact Analysis

• arxiv url: http://arxiv.org/abs/2004.01610v1
• Date: Fri, 3 Apr 2020 14:59:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 04:19:45.987559
• Title: Interpreting Medical Image Classifiers by Optimization Based Counterfactual Impact Analysis
• Title（参考訳）: 医用画像分類器の最適化による影響解析
• Authors: David Major, Dimitrios Lenis, Maria Wimmer, Gert Sluiter, Astrid Berg, and Katja B\"uhler
• Abstract要約: 医用画像に適合したモデル唾液度マッピングフレームワークを提案する。 本手法は, 工芸品を不明瞭に回避する, 強い近傍条件の塗工法に置き換える。
• 参考スコア（独自算出の注目度）: 2.512212190779389
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical applicability of automated decision support systems depends on a robust, well-understood classification interpretation. Artificial neural networks while achieving class-leading scores fall short in this regard. Therefore, numerous approaches have been proposed that map a salient region of an image to a diagnostic classification. Utilizing heuristic methodology, like blurring and noise, they tend to produce diffuse, sometimes misleading results, hindering their general adoption. In this work we overcome these issues by presenting a model agnostic saliency mapping framework tailored to medical imaging. We replace heuristic techniques with a strong neighborhood conditioned inpainting approach, which avoids anatomically implausible artefacts. We formulate saliency attribution as a map-quality optimization task, enforcing constrained and focused attributions. Experiments on public mammography data show quantitatively and qualitatively more precise localization and clearer conveying results than existing state-of-the-art methods.
• Abstract（参考訳）: 自動意思決定支援システムの臨床応用性は、堅牢でよく理解された分類解釈に依存する。 この点に関して、クラスリードスコアを達成しつつ、人工ニューラルネットワークは不足している。 したがって、画像の突出領域を診断分類にマッピングする多くのアプローチが提案されている。 ぼやけやノイズといったヒューリスティックな手法を用いることで、拡散し、時には誤解を招く結果をもたらす傾向があり、一般的な採用を妨げる。 本研究は,医療画像に適合したモデル非依存型サリエンシマッピングフレームワークを提案することで,これらの課題を克服する。 ヒューリスティックな手法を、解剖学的に目立たないアーティファクトを避ける強力な近傍条件付き塗り込みアプローチに置き換える。 地図品質の最適化タスクとして,制約のある,集中した属性を強制するサリエンシ属性を定式化する。 マンモグラフィデータを用いた実験では, 既存の手法よりも定量的, 質的, 正確に位置推定し, より明瞭な搬送結果を示す。

関連論文リスト

• FeaInfNet: Diagnosis in Medical Image with Feature-Driven Inference and Visual Explanations [4.022446255159328]
  解釈可能なディープラーニングモデルは、画像認識の分野で広く注目を集めている。 提案されている多くの解釈可能性モデルは、医用画像診断の精度と解釈性に問題がある。 これらの問題を解決するために,機能駆動型推論ネットワーク(FeaInfNet)を提案する。
  論文  参考訳（メタデータ） (2023-12-04T13:09:00Z)
• Debiasing Deep Chest X-Ray Classifiers using Intra- and Post-processing Methods [9.152759278163954]
  本研究では、すでに訓練済みのニューラルネットワークを微調整および刈り取ることに基づく2つの新しいプロセス内処理手法を提案する。 我々の知る限りでは、胸部X線写真における脱バイアス法の研究としては、これが最初の試みの1つである。
  論文  参考訳（メタデータ） (2022-07-26T10:18:59Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Weakly-supervised High-resolution Segmentation of Mammography Images for Breast Cancer Diagnosis [17.936019428281586]
  がん診断において、入力画像の出力に責任のある領域を局在させることにより、解釈可能性を実現することができる。 本稿では,高解像度画像の弱教師付きセグメンテーションを実現するニューラルネットワークアーキテクチャを提案する。 乳がん検診にマンモグラフィーを用いて適用し, 大規模臨床応用データセットで検証した。
  論文  参考訳（メタデータ） (2021-06-13T17:25:21Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Domain aware medical image classifier interpretation by counterfactual impact analysis [2.512212190779389]
  ニューラルネットワークに基づく属性法を導入し、任意のトレーニングされた予測器に適用する。 提案手法は,局所的な画像摂動が予測者のスコアに与える影響を計測することにより,入力画像の正当領域を1つの前方通過で同定する。
  論文  参考訳（メタデータ） (2020-07-13T11:11:17Z)
• Assessing the validity of saliency maps for abnormality localization in medical imaging [6.299152745637685]
  残差マップは、入力画像のどの領域がトレーニングされたニューラルネットワークの予測に最も関係しているかを評価するために広く使われている方法となっている。 本研究では,RSNA Pneumonia データセット上で,既存のサリエンシマップ手法の信頼性について検討した。
  論文  参考訳（メタデータ） (2020-05-29T20:17:26Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。