Fugu-MT 論文翻訳(概要): Assessing the validity of saliency maps for abnormality localization in medical imaging

論文の概要: Assessing the validity of saliency maps for abnormality localization in medical imaging

arxiv url: http://arxiv.org/abs/2006.00063v1
Date: Fri, 29 May 2020 20:17:26 GMT
ステータス: 処理完了
システム内更新日: 2022-11-26 23:06:11.097520
Title: Assessing the validity of saliency maps for abnormality localization in medical imaging
Title（参考訳）: 医用画像における異常局所化のためのサリエンシマップの有効性の評価
Authors: Nishanth Thumbavanam Arun, Nathan Gaw, Praveer Singh, Ken Chang, Katharina Viktoria Hoebel, Jay Patel, Mishka Gidwani, Jayashree Kalpathy-Cramer
Abstract要約: 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。
参考スコア（独自算出の注目度）: 6.299152745637685
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Saliency maps have become a widely used method to assess which areas of the input image are most pertinent to the prediction of a trained neural network. However, in the context of medical imaging, there is no study to our knowledge that has examined the efficacy of these techniques and quantified them using overlap with ground truth bounding boxes. In this work, we explored the credibility of the various existing saliency map methods on the RSNA Pneumonia dataset. We found that GradCAM was the most sensitive to model parameter and label randomization, and was highly agnostic to model architecture.
Abstract（参考訳）: 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のに広く用いられている。しかし,医療画像の文脈では,これらの手法の有効性を検証し,地上真理バウンディングボックスと重ね合わせて定量化する知見は得られていない。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。 GradCAMはモデルパラメータやラベルのランダム化に最も敏感であり,モデルアーキテクチャには非常に依存していないことがわかった。

関連論文リスト

A Textbook Remedy for Domain Shifts: Knowledge Priors for Medical Image Analysis [48.84443450990355]
ディープネットワークは、医学的なスキャンに適用すると、例外のない状況で失敗することが多いため、自然画像の解析において広く成功している。胸部X線や皮膚病変画像の文脈において、異なる病院から採取したデータや、性別、人種などの人口統計学的変数によって構築されたデータなど、ドメインシフトに対するモデル感度に焦点をあてる。医学教育からインスピレーションを得て,自然言語で伝達される明示的な医学知識を基盤としたディープネットワークを提案する。
論文参考訳（メタデータ） (2024-05-23T17:55:02Z)
Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文参考訳（メタデータ） (2022-12-14T06:04:18Z)
Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文参考訳（メタデータ） (2021-10-25T14:15:57Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
Towards the Localisation of Lesions in Diabetic Retinopathy [2.3204178451683264]
本研究は,4つの最先端ディープラーニングモデルの事前学習重量を用いて,糖尿病網膜症(DR)基底画像の局所化マップを作成し,比較する。 inceptionv3は、テスト分類精度96.07%で最高の性能を達成し、病変を他のモデルよりも良く高速にローカライズする。
論文参考訳（メタデータ） (2020-12-21T15:39:17Z)
Medical Image Harmonization Using Deep Learning Based Canonical Mapping: Toward Robust and Generalizable Learning in Imaging [4.396671464565882]
多様な取得条件のデータを共通参照領域に"調和"する新しいパラダイムを提案する。我々は,MRIによる脳年齢予測と統合失調症の分類という,2つの問題に対して本手法を検証した。
論文参考訳（メタデータ） (2020-10-11T22:01:37Z)
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)
Explainable Disease Classification via weakly-supervised segmentation [4.154485485415009]
CAD(Computer Aided Diagnosis)に対するディープラーニングアプローチは、画像分類(Normal or Abnormal)問題として問題を引き起こすのが一般的である。本稿では,この問題を考察し,診断に先立ってエビデンスを探す臨床実践を模倣するアプローチを提案する。提案法はマンモグラフィー画像から乳癌検出に適応する。
論文参考訳（メタデータ） (2020-08-24T09:00:30Z)
Assessing the (Un)Trustworthiness of Saliency Maps for Localizing Abnormalities in Medical Imaging [7.359736138662335]
サイレンシマップは、ディープラーニングモデルをより解釈可能なものにするために広く使われている方法となっている。医療画像の分野では、臨床的に妥当な説明を提供するために使われることが増えている。 8つのサリエンシマップ技術が少なくとも1つの基準の1つを失敗し、ほとんどの場合、ベースラインと比較して信頼性が低いことを示す。
論文参考訳（メタデータ） (2020-08-06T17:11:19Z)
Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。トレーニングモデルに複数のインスタンス学習スキームを利用する。提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文参考訳（メタデータ） (2020-04-10T13:12:47Z)
Interpreting Medical Image Classifiers by Optimization Based Counterfactual Impact Analysis [2.512212190779389]
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。
論文参考訳（メタデータ） (2020-04-03T14:59:08Z)

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。