論文の概要: Looking in the Right place for Anomalies: Explainable AI through Automatic Location Learning

• arxiv url: http://arxiv.org/abs/2008.00363v1
• Date: Sun, 2 Aug 2020 00:02:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 19:21:22.302829
• Title: Looking in the Right place for Anomalies: Explainable AI through Automatic Location Learning
• Title（参考訳）: 異常の正しい場所を探す: 自動位置学習による説明可能なAI
• Authors: Satyananda Kashyap, Alexandros Karargyris, Joy Wu, Yaniv Gur, Arjun Sharma, Ken C. L. Wong, Mehdi Moradi, Tanveer Syeda-Mahmood
• Abstract要約: 我々は、予測された位置をオーバーラップすることを保証した、説明可能なAIへのアプローチを開発する。 ResNet101に基づく後続のアテンション誘導推論ネットワークにバイアスを与えるためにこの期待位置を使用することで、期待位置における異常の分離が実現される。
• 参考スコア（独自算出の注目度）: 51.72146225623288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has now become the de facto approach to the recognition of anomalies in medical imaging. Their 'black box' way of classifying medical images into anomaly labels poses problems for their acceptance, particularly with clinicians. Current explainable AI methods offer justifications through visualizations such as heat maps but cannot guarantee that the network is focusing on the relevant image region fully containing the anomaly. In this paper, we develop an approach to explainable AI in which the anomaly is assured to be overlapping the expected location when present. This is made possible by automatically extracting location-specific labels from textual reports and learning the association of expected locations to labels using a hybrid combination of Bi-Directional Long Short-Term Memory Recurrent Neural Networks (Bi-LSTM) and DenseNet-121. Use of this expected location to bias the subsequent attention-guided inference network based on ResNet101 results in the isolation of the anomaly at the expected location when present. The method is evaluated on a large chest X-ray dataset.
• Abstract（参考訳）: 深層学習は、医療画像における異常認識に対する事実上のアプローチとなっている。 医療画像を異常ラベルに分類する「ブラックボックス」の手法は、特に臨床医の受け入れに問題を引き起こす。 現在の説明可能なai手法は、ヒートマップのような可視化による正当化を提供するが、ネットワークが異常を完全に含む関連画像領域に焦点を当てていることを保証することはできない。 本稿では,予測された位置を重なり合うように異常が保証される,説明可能なAIへのアプローチを開発する。 これは、テキストレポートから位置特定ラベルを自動的に抽出し、Bi-Directional Long Short-Term Memory Recurrent Neural Networks (Bi-LSTM)とDenseNet-121のハイブリッド組み合わせを用いて、期待する位置とラベルとの関係を学習することで実現される。 ResNet101に基づく後続の注意誘導推論ネットワークにバイアスを与えるためにこの期待位置を使用することで、期待位置における異常の分離が実現される。 この方法は大きな胸部x線データセットで評価される。

関連論文リスト

• Beyond the Eye: A Relational Model for Early Dementia Detection Using Retinal OCTA Images [42.75763279888966]
  早期発症アルツハイマー病 (AD) と軽度認知障害 (MCI) をコントロールから識別するために, 網膜光コヒーレンストモグラフィー (OCTA) を用いた新しいPolarNet+を提案する。 提案手法は,まずカルト座標から極座標へのOCTA画像のマッピングを行う。 次に,包括的かつ臨床的に有用な情報抽出のための3次元画像のシリアライズと解析を行う多視点モジュールを提案する。
  論文  参考訳（メタデータ） (2024-08-09T15:10:34Z)
• Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
  本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-21T15:41:34Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• 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)
• Implicit field learning for unsupervised anomaly detection in medical images [0.8122270502556374]
  オートデコーダフィードフォワードニューラルネットワークは、組織型のプロキシ上の空間座標と確率の間のマッピングという形で、健康な画像の分布を学習する。 回復画像のモデルにより予測されたボクセル的確率を用いて,異常の局所化を行う。 脳MR画像におけるグリオーマの非教師的局在化の課題に対して,本手法を検証し,他のVAEによる異常検出法と比較した。
  論文  参考訳（メタデータ） (2021-06-09T16:57:22Z)
• 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)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Anomaly Detection in Medical Imaging with Deep Perceptual Autoencoders [1.7277957019593995]
  画像異常検出の新しい強力な手法を提案する。 これは、再設計されたトレーニングパイプラインを備えた古典的なオートエンコーダアプローチに依存している。 複雑な医用画像解析タスクにおける最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-23T18:45:55Z)

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。