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

• Generalizing to Unseen Domains in Diabetic Retinopathy with Disentangled Representations [32.7667209371645]
  既存のモデルは、ドメインシフトのため、目に見えないドメインで顕著なパフォーマンス劣化を経験します。 本稿では,異なるドメインのペアデータの表現をセマンティックな特徴とドメインノイズに分離する新しいフレームワークを提案する。 結果として得られる拡張表現は、他のドメインからの独自の網膜意味論とドメインノイズを含み、実際の臨床ニーズに合わせて拡張表現を生成することを目的としている。
  論文  参考訳（メタデータ） (2024-06-10T15:43:56Z)
• Source-Free Domain Adaptation of Weakly-Supervised Object Localization Models for Histology [8.984366988153116]
  癌度に応じて組織像を分類するために、WSOL(Deep weakly supervised Object Localization)モデルを訓練することができる。 ラベル付きソースイメージデータに基づいてトレーニングされたWSOLモデルは、ラベルなしターゲットデータを使用して適用することができる。 本稿では,ソースフリー(教師なし)ドメイン適応(SFDA)に着目し,事前学習したソースモデルを新たなターゲットドメインに適応させるという課題について述べる。
  論文  参考訳（メタデータ） (2024-04-29T21:25:59Z)
• Enhancing AI Diagnostics: Autonomous Lesion Masking via Semi-Supervised Deep Learning [1.4053129774629076]
  本研究では,乳房超音波(US)画像における乳房病変の鑑別を目的とした,関心領域(ROI)を自律的に生成することを目的とした,教師なし領域適応手法を提案する。 我々の半教師付き学習アプローチは、真のアノテーションを持つ小さな母乳USデータセットで訓練された原始モデルを利用する。 このモデルはドメイン適応タスクのために反復的に洗練され、当社のプライベートな無注釈乳房データセットに擬似マスクを生成します。
  論文  参考訳（メタデータ） (2024-04-18T18:25:00Z)
• PhenDiff: Revealing Subtle Phenotypes with Diffusion Models in Real Images [0.7329200485567825]
  PhenDiffは、実際の画像をある状態から別の状態に翻訳することで、細胞性表現型の変化を特定する。 薬物治療の低濃度の場合など,表現型の変化が見えない場合や見えない場合において,この手法を質的,定量的に検証する。
  論文  参考訳（メタデータ） (2023-12-13T17:06:33Z)
• Learned representation-guided diffusion models for large-image generation [58.192263311786824]
  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)
• 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)
• 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)
• 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)

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。