論文の概要: Assessing the (Un)Trustworthiness of Saliency Maps for Localizing Abnormalities in Medical Imaging

• arxiv url: http://arxiv.org/abs/2008.02766v2
• Date: Thu, 15 Jul 2021 02:39:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 07:29:40.827968
• Title: Assessing the (Un)Trustworthiness of Saliency Maps for Localizing Abnormalities 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難易度評価
• Authors: Nishanth Arun, Nathan Gaw, Praveer Singh, Ken Chang, Mehak Aggarwal, Bryan Chen, Katharina Hoebel, Sharut Gupta, Jay Patel, Mishka Gidwani, Julius Adebayo, Matthew D. Li, Jayashree Kalpathy-Cramer
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.359736138662335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Saliency maps have become a widely used method to make deep learning models more interpretable by providing post-hoc explanations of classifiers through identification of the most pertinent areas of the input medical image. They are increasingly being used in medical imaging to provide clinically plausible explanations for the decisions the neural network makes. However, the utility and robustness of these visualization maps has not yet been rigorously examined in the context of medical imaging. We posit that trustworthiness in this context requires 1) localization utility, 2) sensitivity to model weight randomization, 3) repeatability, and 4) reproducibility. Using the localization information available in two large public radiology datasets, we quantify the performance of eight commonly used saliency map approaches for the above criteria using area under the precision-recall curves (AUPRC) and structural similarity index (SSIM), comparing their performance to various baseline measures. Using our framework to quantify the trustworthiness of saliency maps, we show that all eight saliency map techniques fail at least one of the criteria and are, in most cases, less trustworthy when compared to the baselines. We suggest that their usage in the high-risk domain of medical imaging warrants additional scrutiny and recommend that detection or segmentation models be used if localization is the desired output of the network. Additionally, to promote reproducibility of our findings, we provide the code we used for all tests performed in this work at this link: https://github.com/QTIM-Lab/Assessing-Saliency-Maps.
• Abstract（参考訳）: 入力された医用画像の最も関連性の高い領域を識別することで、分類器のポストホックな説明を提供することにより、ディープラーニングモデルをより解釈しやすくする手法として広く用いられている。 ニューラルネットワークが行う決定について、臨床的に妥当な説明を提供するために、医療画像にますます使われている。 しかし, これらの可視化マップの有用性と堅牢性は, 医用画像の文脈ではまだ十分に検討されていない。 この文脈における信頼の欠如は 1)ローカライズユーティリティ、 2)モデル重量ランダム化に対する感度 3)再現性,及び 4)再現性。 本研究では,2つの大規模公衆放射線学データセットのローカライズ情報を用いて,AUPRCとSSIMの領域を用いて,上記の基準値に対する8つの一般的なサリエンシマップ手法の性能を定量化し,その性能を様々な基準値と比較した。 塩分マップの信頼性を定量化するための枠組みを用いて,8つの塩分マップ手法が少なくとも1つの基準に失敗し,ほとんどの場合,ベースラインと比較して信頼性が低下することを示した。 医療画像の高リスク領域におけるそれらの使用は、さらなる精査を保証し、ローカライゼーションがネットワークの望ましい出力である場合、検出またはセグメンテーションモデルを使用することを推奨する。 さらに、我々の発見の再現性を促進するために、この研究で実行されたすべてのテストに使用したコードもこのリンクで提供します。

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)
• Evaluation of importance estimators in deep learning classifiers for Computed Tomography [1.6710577107094642]
  ディープニューラルネットワークの解釈可能性はしばしば入力特徴の重要性を推定することに依存する。 SmoothGradは2つのバージョンが忠実度とROCランキングを上回り、Integrated GradientsとSmoothGradはDSC評価に優れていた。 モデル中心 (忠実度) と人間中心 (ROC, DSC) 評価の間には重要な相違があった。
  論文  参考訳（メタデータ） (2022-09-30T11:57:25Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Weakly-supervised High-resolution Segmentation of Mammography Images for Breast Cancer Diagnosis [17.936019428281586]
  がん診断において、入力画像の出力に責任のある領域を局在させることにより、解釈可能性を実現することができる。 本稿では,高解像度画像の弱教師付きセグメンテーションを実現するニューラルネットワークアーキテクチャを提案する。 乳がん検診にマンモグラフィーを用いて適用し, 大規模臨床応用データセットで検証した。
  論文  参考訳（メタデータ） (2021-06-13T17:25:21Z)
• 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)
• 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)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)
• Assessing the validity of saliency maps for abnormality localization in medical imaging [6.299152745637685]
  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。
  論文  参考訳（メタデータ） (2020-05-29T20:17:26Z)
• 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)
• Do Public Datasets Assure Unbiased Comparisons for Registration Evaluation? [96.53940048041248]
  画像誘導神経外科医の登録をベンチマークするために、2つのデータセットで手動で注釈付けされたランドマークをスクリーニングするために、ヴァリグラムを使用します。 Variograms を用いて, 潜在的に有意な症例を同定し, 経験者により検討した。
  論文  参考訳（メタデータ） (2020-03-20T20:04:47Z)

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。