論文の概要: ICAM: Interpretable Classification via Disentangled Representations and
Feature Attribution Mapping
- arxiv url: http://arxiv.org/abs/2006.08287v2
- Date: Tue, 16 Jun 2020 11:40:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 03:51:44.960810
- Title: ICAM: Interpretable Classification via Disentangled Representations and
Feature Attribution Mapping
- Title(参考訳): ICAM:ディスタングル表現と特徴属性マッピングによる解釈可能な分類
- Authors: Cher Bass, Mariana da Silva, Carole Sudre, Petru-Daniel Tudosiu,
Stephen M. Smith, Emma C. Robinson
- Abstract要約: 画像から画像への変換によってクラス固有のFAマップを作成するための新しいフレームワークを提案する。
我々は,認知症,老化,(模擬)病変検出の2次元および3次元脳画像データセットを用いて,本手法の有効性を検証した。
提案手法は,表現型変動の探索を支援するために潜時空間サンプリングを用いた最初の手法である。
- 参考スコア(独自算出の注目度): 3.262230127283453
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Feature attribution (FA), or the assignment of class-relevance to different
locations in an image, is important for many classification problems but is
particularly crucial within the neuroscience domain, where accurate mechanistic
models of behaviours, or disease, require knowledge of all features
discriminative of a trait. At the same time, predicting class relevance from
brain images is challenging as phenotypes are typically heterogeneous, and
changes occur against a background of significant natural variation. Here, we
present a novel framework for creating class specific FA maps through
image-to-image translation. We propose the use of a VAE-GAN to explicitly
disentangle class relevance from background features for improved
interpretability properties, which results in meaningful FA maps. We validate
our method on 2D and 3D brain image datasets of dementia (ADNI dataset), ageing
(UK Biobank), and (simulated) lesion detection. We show that FA maps generated
by our method outperform baseline FA methods when validated against ground
truth. More significantly, our approach is the first to use latent space
sampling to support exploration of phenotype variation. Our code will be
available online at https://github.com/CherBass/ICAM.
- Abstract(参考訳): 特徴帰属(英: feature attribution, fa)または画像内の異なる位置へのクラス関係の割り当ては、多くの分類問題において重要であるが、神経科学領域において特に重要であり、行動や疾患の正確な機械的なモデルには、特徴を識別する全ての特徴の知識が必要である。
同時に、表現型は通常異種であり、重要な自然変動の背景に対して変化が起こるため、脳画像からのクラス関連性の予測は困難である。
本稿では,画像から画像への変換によってクラス固有のFAマップを作成するための新しいフレームワークを提案する。
本稿では,VAE-GANを用いて,背景特徴からクラス関連性を明示的に切り離し,解釈性を向上させることを提案する。
本手法は認知症(adniデータセット)、老化(ukバイオバンク)、(シミュレーション)病変検出の2次元および3次元脳画像データセットで検証した。
本研究では,本手法により生成されたFAマップが,地上事実に対する検証において,ベースラインFA法より優れていることを示す。
さらに,本手法は,表現型変異の探索を支援するために潜時空間サンプリングを用いた最初の手法である。
私たちのコードはhttps://github.com/CherBass/ICAM.comで公開されます。
関連論文リスト
- Learned representation-guided diffusion models for large-image
generation [60.698616089211505]
自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。
我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。
実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
論文 参考訳(メタデータ) (2023-12-12T14:45:45Z) - Improving Fairness using Vision-Language Driven Image Augmentation [60.428157003498995]
公平性は、特に顔領域において、ディープラーニングの識別モデルを訓練する際に重要である。
モデルは、特定の特性(年齢や肌の色など)と無関係な属性(下流タスク)を関連付ける傾向がある
本稿では,これらの相関を緩和し,公平性を向上する手法を提案する。
論文 参考訳(メタデータ) (2023-11-02T19:51:10Z) - VesselMorph: Domain-Generalized Retinal Vessel Segmentation via
Shape-Aware Representation [12.194439938007672]
ドメインシフトは医療画像の本質的な特性であり、学習ベースのアルゴリズムを大規模に展開する上で大きな障害となっている。
形状認識表現を合成することにより2次元網膜血管セグメンテーションタスクを一般化するVesselMorphという手法を提案する。
VesselMorphは、異なるドメインシフトシナリオの競合するメソッドと比較して、優れた一般化性能を実現する。
論文 参考訳(メタデータ) (2023-07-01T06:02:22Z) - Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic
Disorders [55.41644538483948]
分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。
従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。
本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
論文 参考訳(メタデータ) (2022-10-23T11:52:57Z) - Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs
For Medical Image Classification [5.6512908295414]
本稿では,グラフニューラルネットワークを用いた教師なし領域適応手法を提案する。
分布シフトを伴う2つの挑戦的医用画像データセットの分類法について検討した。
実験により,本手法は他の領域適応法と比較して最先端の結果が得られることが示された。
論文 参考訳(メタデータ) (2022-06-27T09:02:16Z) - Domain Invariant Model with Graph Convolutional Network for Mammogram
Classification [49.691629817104925]
グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。
まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。
マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
論文 参考訳(メタデータ) (2022-04-21T08:23:44Z) - Application of Transfer Learning and Ensemble Learning in Image-level
Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。
本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。
結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文 参考訳(メタデータ) (2022-04-18T13:31:53Z) - Self-Supervised Vision Transformers Learn Visual Concepts in
Histopathology [5.164102666113966]
我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。
我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
論文 参考訳(メタデータ) (2022-03-01T16:14:41Z) - A-FMI: Learning Attributions from Deep Networks via Feature Map
Importance [58.708607977437794]
勾配に基づくアトリビューション法は畳み込みニューラルネットワーク(CNN)の理解を助けることができる
帰属特徴の冗長性と勾配飽和問題は、帰属方法がまだ直面する課題である。
本稿では,各特徴マップの寄与度を高めるための新しい概念,特徴マップ重要度 (FMI) と,勾配飽和問題に対処するためのFMIによる新しい帰属法を提案する。
論文 参考訳(メタデータ) (2021-04-12T14:54:44Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z) - Usefulness of interpretability methods to explain deep learning based
plant stress phenotyping [8.786924604224101]
8種類のダイズストレス(抗生物質および抗生物質)の分類のためのDenseNet-121ネットワークを訓練する
テストデータの多種多様なサブセットについては、重要な特徴と人間の専門家が特定した特徴を比較した。
ほとんどの解釈可能性法は、葉の感染した領域を、正しく分類された画像の重要な特徴として識別する。
論文 参考訳(メタデータ) (2020-07-11T09:28:50Z)
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。