論文の概要: Explainable Disease Classification via weakly-supervised segmentation
- arxiv url: http://arxiv.org/abs/2008.10268v1
- Date: Mon, 24 Aug 2020 09:00:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 11:59:11.959766
- Title: Explainable Disease Classification via weakly-supervised segmentation
- Title（参考訳）: 弱教師付きセグメンテーションによる説明可能な疾患分類
- Authors: Aniket Joshi, Gaurav Mishra, Jayanthi Sivaswamy
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.154485485415009
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning based approaches to Computer Aided Diagnosis (CAD) typically
pose the problem as an image classification (Normal or Abnormal) problem. These
systems achieve high to very high accuracy in specific disease detection for
which they are trained but lack in terms of an explanation for the provided
decision/classification result. The activation maps which correspond to
decisions do not correlate well with regions of interest for specific diseases.
This paper examines this problem and proposes an approach which mimics the
clinical practice of looking for an evidence prior to diagnosis. A CAD model is
learnt using a mixed set of information: class labels for the entire training
set of images plus a rough localisation of suspect regions as an extra input
for a smaller subset of training images for guiding the learning. The proposed
approach is illustrated with detection of diabetic macular edema (DME) from OCT
slices. Results of testing on on a large public dataset show that with just a
third of images with roughly segmented fluid filled regions, the classification
accuracy is on par with state of the art methods while providing a good
explanation in the form of anatomically accurate heatmap /region of interest.
The proposed solution is then adapted to Breast Cancer detection from
mammographic images. Good evaluation results on public datasets underscores the
generalisability of the proposed solution.
- Abstract（参考訳）: ディープラーニングに基づくCAD(Computer Aided Diagnosis)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。
これらのシステムは、訓練された特定の疾患の検出において高い精度で達成されるが、提供された決定・分類結果の説明に欠ける。
決定に対応する活性化マップは、特定の疾患に対する関心領域とよく相関しない。
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。
cadモデルは、画像のトレーニングセット全体に対するクラスラベルと、学習を導くためのトレーニング画像の小さなサブセットの余分な入力として被疑領域のラフローカライズと、の混合情報を用いて学習される。
OCTスライスから糖尿病性黄斑浮腫(DME)の検出を行った。
大規模な公開データセット上での試験結果から,約3分の1の領域に分断された流体を充填した画像で,分類精度は技術手法の状況と同等であり,解剖学的に正確な熱マップ/領域の形式での良好な説明が得られた。
提案手法はマンモグラフィー画像から乳癌の検出に適用される。
公開データセットの良好な評価結果は,提案手法の一般性を示している。
関連論文リスト
- Hierarchical Salient Patch Identification for Interpretable Fundus Disease Localization [4.714335699701277]
階層型サルエントパッチ同定法 (HSPI) を考案した。
HSPIは、画像レベルのラベルとニューラルネットワーク分類器(NNC)のみを用いて、解釈可能な疾患の局在を達成できる
本研究は,眼底画像データセットの病巣局所化実験を行い,従来の解釈可能な帰属法と比較して,複数の評価指標の最良の性能を実現する。
論文 参考訳（メタデータ） (2024-05-23T09:07:21Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Class Attention to Regions of Lesion for Imbalanced Medical Image
Recognition [59.28732531600606]
データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。
CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。
その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
論文 参考訳（メタデータ） (2023-07-19T15:19:02Z) - Active Learning Enhances Classification of Histopathology Whole Slide
Images with Attention-based Multiple Instance Learning [48.02011627390706]
我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。
新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。
将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
論文 参考訳（メタデータ） (2023-03-02T15:18:58Z) - 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) - 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) - 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) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - Thoracic Disease Identification and Localization using Distance Learning
and Region Verification [15.851040584898463]
本稿では,画像三重項間の識別的特徴を学習し,領域の特徴を周期的に訓練し,注意領域が疾患の情報を含んでいるかどうかを検証する方法を提案する。
我々のモデルは、挑戦的なChestX-ray14データセット上で最先端の分類性能を達成でき、我々のアブレーション研究は、距離学習と領域検証の両方が全体的な分類性能に寄与していることを示している。
論文 参考訳（メタデータ） (2020-06-07T16:56:50Z) - Learning from Suspected Target: Bootstrapping Performance for Breast
Cancer Detection in Mammography [6.323318523772466]
対象領域の選択と訓練を行う新しいサンプリング手順とともに,新しいトップ可能性損失を導入する。
まず,提案手法をプライベートな高密度マンモグラフィーデータセット上で検証する。
以上の結果から,本手法は偽陽性率を大幅に低減し,質量型癌検出では0.25倍の特異性を示した。
論文 参考訳（メタデータ） (2020-03-01T09:04:24Z) - Breast Cancer Histopathology Image Classification and Localization using
Multiple Instance Learning [2.4178424543973267]
診断のための顕微鏡組織像を解析するためのコンピュータ支援病理学は、診断のコストと遅延をもたらす可能性がある。
病理学における深層学習は、分類とローカライゼーションのタスクにおいて最先端のパフォーマンスを達成した過去10年間に注目されている。
本稿では,BreakHISとBACHの2つのデータセットの分類とローカライゼーション結果について述べる。
論文 参考訳（メタデータ） (2020-02-16T10:29:16Z)
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。