論文の概要: Domain aware medical image classifier interpretation by counterfactual
impact analysis
- arxiv url: http://arxiv.org/abs/2007.06312v2
- Date: Thu, 1 Oct 2020 16:55:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 23:25:24.901156
- Title: Domain aware medical image classifier interpretation by counterfactual
impact analysis
- Title(参考訳): 逆影響解析による領域認識型医用画像分類器の解釈
- Authors: Dimitrios Lenis, David Major, Maria Wimmer, Astrid Berg, Gert Sluiter,
and Katja B\"uhler
- Abstract要約: 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。
- 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: The success of machine learning methods for computer vision tasks has driven
a surge in computer assisted prediction for medicine and biology. Based on a
data-driven relationship between input image and pathological classification,
these predictors deliver unprecedented accuracy. Yet, the numerous approaches
trying to explain the causality of this learned relationship have fallen short:
time constraints, coarse, diffuse and at times misleading results, caused by
the employment of heuristic techniques like Gaussian noise and blurring, have
hindered their clinical adoption.
In this work, we discuss and overcome these obstacles by introducing a
neural-network based attribution method, applicable to any trained predictor.
Our solution identifies salient regions of an input image in a single
forward-pass by measuring the effect of local image-perturbations on a
predictor's score. We replace heuristic techniques with a strong neighborhood
conditioned inpainting approach, avoiding anatomically implausible, hence
adversarial artifacts. We evaluate on public mammography data and compare
against existing state-of-the-art methods. Furthermore, we exemplify the
approach's generalizability by demonstrating results on chest X-rays. Our
solution shows, both quantitatively and qualitatively, a significant reduction
of localization ambiguity and clearer conveying results, without sacrificing
time efficiency.
- Abstract(参考訳): コンピュータビジョンタスクにおける機械学習手法の成功は、医学や生物学のコンピュータ支援予測の急増を促した。
入力画像と病理分類の間のデータ駆動型関係に基づき、これらの予測器は前例のない精度を提供する。
しかし、この学習された関係の因果関係を説明する多くのアプローチは、時間的制約、粗い、拡散、時には誤解を招く結果となり、ガウスノイズやぼやけなどのヒューリスティックなテクニックが採用され、臨床導入を妨げている。
そこで本研究では,ニューラルネットワークを用いた帰属法を導入することで,これらの障害を克服する。
提案手法は,局所的な画像摂動が予測値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。
我々は, 解剖学的に不明瞭であり, 敵の人工物を避けるために, 強い近傍条件の塗装アプローチでヒューリスティックな手法を置き換える。
マンモグラフィデータの評価を行い, 既存手法との比較を行った。
さらに,胸部X線での結果を示すことで,アプローチの一般化性を実証する。
本手法は, 時間効率を犠牲にすることなく, 定量的かつ定性的に, 局所化の曖昧さを著しく低減し, 伝達結果のクリア化を図っている。
関連論文リスト
- Adversarial-Robust Transfer Learning for Medical Imaging via Domain
Assimilation [17.46080957271494]
医用画像が公開されていないため、現代のアルゴリズムは、大量の自然画像に基づいて事前訓練されたモデルに依存するようになった。
自然画像と医療画像の間に重要なエムドメインの相違があり、AIモデルは敵の攻撃に対するエムの脆弱性を高める。
本稿では,テクスチャと色適応を伝達学習に導入する Em ドメイン同化手法を提案する。
論文 参考訳(メタデータ) (2024-02-25T06:39:15Z) - 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) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳(メタデータ) (2021-06-25T08:32:45Z) - 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) - Cross Chest Graph for Disease Diagnosis with Structural Relational
Reasoning [2.7148274921314615]
X線画像のコンピュータ診断において位置病変は重要である。
一般に弱教師付き手法はX線像の特性を考慮できなかった。
自動病変検出の性能を向上させるCross-chest Graph (CCG)を提案する。
論文 参考訳(メタデータ) (2021-01-22T08:24:04Z) - Proactive Pseudo-Intervention: Causally Informed Contrastive Learning
For Interpretable Vision Models [103.64435911083432]
PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。
PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。
また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
論文 参考訳(メタデータ) (2020-12-06T20:30:26Z) - 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) - 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) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳(メタデータ) (2020-01-21T10:16:33Z)
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。