論文の概要: Towards Trainable Saliency Maps in Medical Imaging

• arxiv url: http://arxiv.org/abs/2011.07482v1
• Date: Sun, 15 Nov 2020 09:01:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 07:14:02.038326
• Title: Towards Trainable Saliency Maps in Medical Imaging
• Title（参考訳）: 医用画像における訓練可能な衛生マップを目指して
• Authors: Mehak Aggarwal, Nishanth Arun, Sharut Gupta, Ashwin Vaswani, Bryan Chen, Matthew Li, Ken Chang, Jay Patel, Katherine Hoebel, Mishka Gidwani, Jayashree Kalpathy-Cramer, Praveer Singh
• Abstract要約: アーキテクチャの複雑さとモデルタスクの両方に非依存なモデル設計要素を導入することが、本質的に自己説明型モデルをもたらすことを示す。 本研究は,RSNA肺炎データセットにおける非トレーニング性唾液濃度マップの現状と比較し,導入した手法を用いて,より高い局所化効果を示す。
• 参考スコア（独自算出の注目度）: 4.438919530397659
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While success of Deep Learning (DL) in automated diagnosis can be transformative to the medicinal practice especially for people with little or no access to doctors, its widespread acceptability is severely limited by inherent black-box decision making and unsafe failure modes. While saliency methods attempt to tackle this problem in non-medical contexts, their apriori explanations do not transfer well to medical usecases. With this study we validate a model design element agnostic to both architecture complexity and model task, and show how introducing this element gives an inherently self-explanatory model. We compare our results with state of the art non-trainable saliency maps on RSNA Pneumonia Dataset and demonstrate a much higher localization efficacy using our adopted technique. We also compare, with a fully supervised baseline and provide a reasonable alternative to it's high data labelling overhead. We further investigate the validity of our claims through qualitative evaluation from an expert reader.
• Abstract（参考訳）: 自動化診断におけるDeep Learning (DL) の成功は、特に医師へのアクセスがほとんど、あるいは全くない人々にとって、医学的な実践に転換することができるが、その広範な受容性は、固有のブラックボックス決定と安全でない障害モードによって著しく制限される。 衛生的手法は医療以外の文脈でこの問題に対処しようとするが、アプリオリの説明は医療用具にうまく移行しない。 本研究では、アーキテクチャの複雑さとモデルタスクの両方に非依存なモデル設計要素を検証するとともに、この要素の導入が本質的に自己説明型モデルを実現する方法を示す。 本研究は,RSNA Pneumonia Datasetにおける非訓練性塩分濃度マップの現状と比較し,より高い局所化効果を示した。 また、完全に教師されたベースラインと比較し、高いデータラベリングオーバーヘッドに対する合理的な代替手段を提供します。 さらに,専門家による質的評価を通して,クレームの妥当性について検討する。

関連論文リスト

• Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions [66.40971096248946]
  本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。 本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。 私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
  論文  参考訳（メタデータ） (2022-09-21T12:30:05Z)
• Explainable Deep Learning Methods in Medical Image Classification: A Survey [0.0]
  最先端のディープラーニングモデルは、異なるタイプの医療データの分類において、人間レベルの精度を達成した。 これらのモデルは、主に解釈可能性の欠如のために、臨床ではほとんど採用されていない。 ディープラーニングモデルのブラックボックス性は、これらのモデルの意思決定プロセスを説明するための戦略を考案する必要性を高めている。
  論文  参考訳（メタデータ） (2022-05-10T09:28:14Z)
• AI can evolve without labels: self-evolving vision transformer for chest X-ray diagnosis through knowledge distillation [30.075714642990768]
  本稿では,自己指導型学習と自己学習による知識蒸留を利用した新しい深層学習フレームワークを提案する。 実験の結果,提案フレームワークは実環境に対して顕著な堅牢性を維持していることがわかった。 提案されたフレームワークは、毎年大量のデータが蓄積される医療画像にとって大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2022-02-13T22:40:46Z)
• Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching [58.26619456972598]
  フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。 本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。 本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
  論文  参考訳（メタデータ） (2021-06-16T07:58:00Z)
• An Active Learning Method for Diabetic Retinopathy Classification with Uncertainty Quantification [3.7220380160016626]
  不確実性定量のためのハイブリッドモデルと、不一致データを注釈付けするためのアクティブラーニングアプローチを提案する。 糖尿病網膜症分類の枠組みについて検討し,様々な指標で最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2020-12-24T16:59:15Z)
• Privacy-preserving medical image analysis [53.4844489668116]
  医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。 集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。 グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
  論文  参考訳（メタデータ） (2020-12-10T13:56:00Z)
• 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)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)
• 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)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• 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)

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。