論文の概要: Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization
- arxiv url: http://arxiv.org/abs/2010.05759v3
- Date: Thu, 9 Jun 2022 07:28:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 04:13:32.646059
- Title: Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization
- Title（参考訳）: 周期整合活性化最大化を用いた医用画像における臨床判断支援システムの説明
- Authors: Alexander Katzmann, Oliver Taubmann, Stephen Ahmad, Alexander
M\"uhlberg, Michael S\"uhling, Horst-Michael Gro{\ss}
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 112.2628296775395
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Clinical decision support using deep neural networks has become a topic of
steadily growing interest. While recent work has repeatedly demonstrated that
deep learning offers major advantages for medical image classification over
traditional methods, clinicians are often hesitant to adopt the technology
because its underlying decision-making process is considered to be
intransparent and difficult to comprehend. In recent years, this has been
addressed by a variety of approaches that have successfully contributed to
providing deeper insight. Most notably, additive feature attribution methods
are able to propagate decisions back into the input space by creating a
saliency map which allows the practitioner to "see what the network sees."
However, the quality of the generated maps can become poor and the images noisy
if only limited data is available - a typical scenario in clinical contexts. We
propose a novel decision explanation scheme based on CycleGAN activation
maximization which generates high-quality visualizations of classifier
decisions even in smaller data sets. We conducted a user study in which we
evaluated our method on the LIDC dataset for lung lesion malignancy
classification, the BreastMNIST dataset for ultrasound image breast cancer
detection, as well as two subsets of the CIFAR-10 dataset for RBG image object
recognition. Within this user study, our method clearly outperformed existing
approaches on the medical imaging datasets and ranked second in the natural
image setting. With our approach we make a significant contribution towards a
better understanding of clinical decision support systems based on deep neural
networks and thus aim to foster overall clinical acceptance.
- Abstract（参考訳）: ディープニューラルネットワークを用いた臨床判断支援は、着実に関心が高まっているトピックとなっている。
最近の研究は、深層学習が従来の方法よりも医用画像分類に大きな利点をもたらすことを繰り返し示しているが、臨床医は、その基礎となる意思決定プロセスが不透明で理解が難しいと見なされているため、この技術の採用をしばしばためらっている。
近年、これは様々なアプローチによって対処され、より深い洞察を提供するのに成功している。
最も注目すべきは、付加的な機能帰属メソッドは、実践者が「ネットワークが見ているものを見る」ことができるサリエンシーマップを作成することによって、決定を入力空間に伝播させることができることである。
しかし、生成したマップの品質は低下し、限られたデータしか利用できない場合、画像がうるさくなります。
本研究では,より小さなデータセットでも分類器決定の高品質な可視化を実現するサイクルガン活性化最大化に基づく新しい決定説明手法を提案する。
肺病変悪性度分類のためのLIDCデータセット, 超音波乳がん検出のためのBreastMNISTデータセット, RBG画像オブジェクト認識のためのCIFAR-10データセットの2つのサブセットについて検討を行った。
本研究は,医用画像データセットの既存手法よりも明らかに優れており,自然画像設定では第2位である。
提案手法では,深層ニューラルネットワークに基づく臨床意思決定支援システムの理解を深め,総合的な臨床受容を促進することを目的としている。
関連論文リスト
- Applying Conditional Generative Adversarial Networks for Imaging Diagnosis [3.881664394416534]
本研究は、スタックド・ホアーグラス・ネットワーク(SHGN)と統合されたコンディショナル・ジェネレーション・アドバイザリアル・ネットワーク(C-GAN)の革新的な応用を紹介する。
我々は、複雑な画像データセットに適用されるディープラーニングモデルに共通するオーバーフィッティングの問題に、回転とスケーリングを通じてデータを増大させることで対処する。
血管内超音波(IVUS)画像において,L1とL2再構成損失を併用したハイブリッド損失関数を導入する。
論文 参考訳（メタデータ） (2024-07-17T23:23:09Z) - Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection
in OCTA Images [53.235117594102675]
オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。
我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。
Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
論文 参考訳（メタデータ） (2023-11-10T11:49:49Z) - 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) - Causality-Driven One-Shot Learning for Prostate Cancer Grading from MRI [1.049712834719005]
本稿では,画像中の弱い因果信号を学習し,活用する医用画像の自動分類手法を提案する。
我々のフレームワークは畳み込みニューラルネットワークのバックボーンと因果抽出モジュールで構成されている。
本研究は,特徴間の因果関係が,関連情報を識別するモデルの能力を高める上で重要な役割を担っていることを示す。
論文 参考訳（メタデータ） (2023-09-19T16:08:33Z) - SF2Former: Amyotrophic Lateral Sclerosis Identification From
Multi-center MRI Data Using Spatial and Frequency Fusion Transformer [3.408266725482757]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、運動ニューロン変性を伴う複雑な神経変性疾患である。
ディープラーニングは、コンピュータビジョンにおける機械学習プログラムの傑出したクラスになった。
本研究では、視覚変換器アーキテクチャのパワーを活用してALS対象と制御群を区別するフレームワークであるSF2Formerを紹介する。
論文 参考訳（メタデータ） (2023-02-21T18:16:20Z) - 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) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Deep learning for biomedical photoacoustic imaging: A review [0.3234560001579256]
光音響イメージング(英: Photoacoustic Imaging, PAI)は、組織深度数センチまでの光学組織特性を空間的に分解した画像化を可能にする、将来性のある画像モダリティである。
生データから関連組織パラメータを抽出するには、逆画像再構成問題の解決が必要である。
深層学習法には、PAIの臨床翻訳を容易にするユニークな利点がある。
論文 参考訳（メタデータ） (2020-11-05T10:33:51Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳（メタデータ） (2020-04-03T14:07:41Z)
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。