論文の概要: Explainable Deep CNNs for MRI-Based Diagnosis of Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2004.12204v1
- Date: Sat, 25 Apr 2020 18:14:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 21:06:45.026084
- Title: Explainable Deep CNNs for MRI-Based Diagnosis of Alzheimer's Disease
- Title（参考訳）: MRIによるアルツハイマー病の診断におけるDeep CNNの有用性
- Authors: Eduardo Nigri, Nivio Ziviani, Fabio Cappabianco, Augusto Antunes,
Adriano Veloso
- Abstract要約: 脳磁気共鳴画像(MRI)を用いたアルツハイマー病(AD)の半自動診断モデルとして,Deep Convolutional Neural Networks(CNN)が注目されている。
脳スキャンタスクに特化して設計された別の説明法を提案する。
スワップテスト(Swap Test)と呼ばれる本手法は,ADを最も表す脳の領域を表わしたヒートマップを作成し,臨床医に理解可能な形式でモデル決定の解釈可能性を提供する。
- 参考スコア（独自算出の注目度）: 3.3948742816399693
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep Convolutional Neural Networks (CNNs) are becoming prominent models for
semi-automated diagnosis of Alzheimer's Disease (AD) using brain Magnetic
Resonance Imaging (MRI). Although being highly accurate, deep CNN models lack
transparency and interpretability, precluding adequate clinical reasoning and
not complying with most current regulatory demands. One popular choice for
explaining deep image models is occluding regions of the image to isolate their
influence on the prediction. However, existing methods for occluding patches of
brain scans generate images outside the distribution to which the model was
trained for, thus leading to unreliable explanations. In this paper, we propose
an alternative explanation method that is specifically designed for the brain
scan task. Our method, which we refer to as Swap Test, produces heatmaps that
depict the areas of the brain that are most indicative of AD, providing
interpretability for the model's decisions in a format understandable to
clinicians. Experimental results using an axiomatic evaluation show that the
proposed method is more suitable for explaining the diagnosis of AD using MRI
while the opposite trend was observed when using a typical occlusion test.
Therefore, we believe our method may address the inherent black-box nature of
deep neural networks that are capable of diagnosing AD.
- Abstract（参考訳）: 脳磁気共鳴画像(MRI)を用いたアルツハイマー病(AD)の半自動診断モデルとして,Deep Convolutional Neural Networks(CNN)が注目されている。
精度は高いが、深層cnnモデルは透明性と解釈性を欠き、適切な臨床推論を妨げ、現行の規制要件を満たしていない。
深部画像モデルを説明するための一般的な選択は、画像の領域を除外して、予測への影響を分離することである。
しかし、既存の脳スキャンのパッチをoccludingする方法は、モデルが訓練された分布の外側に画像を生成するため、信頼性の低い説明に繋がる。
本稿では,脳スキャンタスクに特化して設計された別の説明法を提案する。
スワップテスト(Swap Test)と呼ばれる本手法は,ADを最も表す脳の領域を表わしたヒートマップを作成し,臨床医に理解可能な形式でモデル決定の解釈可能性を提供する。
axiomatic evaluation を用いた実験の結果, 典型的な咬合検査では反対の傾向が見られたが, mri を用いた ad の診断にはより適した方法が得られた。
そこで本手法は,ADを診断できる深層ニューラルネットワークのブラックボックスの性質に対処できると考えている。
関連論文リスト
- Unifying Subsampling Pattern Variations for Compressed Sensing MRI with Neural Operators [72.79532467687427]
圧縮センシングMRI(Compressed Sensing MRI)は、身体の内部解剖像をアンダーサンプルと圧縮された測定値から再構成する。
ディープニューラルネットワークは、高度にアンサンプされた測定結果から高品質なイメージを再構築する大きな可能性を示している。
CS-MRIにおけるサブサンプリングパターンや画像解像度に頑健な統一モデルを提案する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Patch-based Intuitive Multimodal Prototypes Network (PIMPNet) for Alzheimer's Disease classification [3.144057505325736]
部分プロトタイプニューラルネットワークは、Deep Learning(DL)の計算上の利点を解釈可能な設計アーキテクチャに統合する。
PIMPNetは3D sMRIと患者の年齢からアルツハイマー病(AD)のバイナリ分類に適用された3D画像と人口統計の解釈可能な最初のマルチモーダルモデルである。
論文 参考訳（メタデータ） (2024-07-19T12:58:18Z) - Mask-Free Neuron Concept Annotation for Interpreting Neural Networks in Medical Domain [3.2627279988912194]
Mask-free Medical Model Interpretation (MAMMI)は、新しい医療ニューロン概念アノテーション法である。
視覚言語モデルを用いて,ニューロン概念アノテーションのためのピクセルレベルのマスクの必要性を緩和する。
NIH胸部X線で訓練したモデルを用いた実験により, MAMMIの有効性が検証された。
論文 参考訳（メタデータ） (2024-07-16T04:40:17Z) - Robust and Interpretable Medical Image Classifiers via Concept
Bottleneck Models [49.95603725998561]
本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。
具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
論文 参考訳（メタデータ） (2023-10-04T21:57:09Z) - Multi-modal Graph Neural Network for Early Diagnosis of Alzheimer's
Disease from sMRI and PET Scans [11.420077093805382]
我々は,非ユークリッド領域の問題に対処するためのグラフニューラルネットワーク(GNN)を提案する。
本研究では,sMRIやPET画像から脳ネットワークを生成可能であることを示す。
次に、各モーダルが独自のGNNの分岐を持つマルチモーダルGNNフレームワークを提案し、その多モーダルデータを組み合わせる手法を提案する。
論文 参考訳（メタデータ） (2023-07-31T02:04:05Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Interpretable Vertebral Fracture Diagnosis [69.68641439851777]
ブラックボックスニューラルネットワークモデルは、骨折診断のための臨床的に関連する特徴を学習する。
この研究は、CT画像における脊椎骨折の診断にネットワークが使用する概念を特定する。
論文 参考訳（メタデータ） (2022-03-30T13:07:41Z) - Biceph-Net: A robust and lightweight framework for the diagnosis of
Alzheimer's disease using 2D-MRI scans and deep similarity learning [0.0]
アルツハイマー病(英語: Alzheimer's Disease, AD)は、高齢者において重要な死因の1つである神経変性疾患である。
磁気共鳴イメージング(MRI)スキャンを用いてADを診断する深層学習技術が提案されている。
本稿では,2次元MRIスキャンを用いたAD診断のための新しい軽量フレームワークであるBiceph-Netを提案する。
論文 参考訳（メタデータ） (2022-03-23T05:14:50Z) - Explaining Predictions of Deep Neural Classifier via Activation Analysis [0.11470070927586014]
本稿では,畳み込みニューラルネットワーク(CNN)に基づく深層学習システムを実行する人間専門家に対して,意思決定プロセスの説明と支援を行う新しいアプローチを提案する。
以上の結果から,本手法は既存のアトラスから最も類似した予測を識別できる別個の予測戦略を検出することができることが示された。
論文 参考訳（メタデータ） (2020-12-03T20:36:19Z) - Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。
ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文 参考訳（メタデータ） (2020-06-20T17:56:46Z)
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。