論文の概要: Combining Similarity and Adversarial Learning to Generate Visual Explanation: Application to Medical Image Classification

• arxiv url: http://arxiv.org/abs/2012.07332v1
• Date: Mon, 14 Dec 2020 08:34:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 14:39:59.828282
• Title: Combining Similarity and Adversarial Learning to Generate Visual Explanation: Application to Medical Image Classification
• Title（参考訳）: 類似性と相反学習を組み合わせた視覚説明生成:医用画像分類への応用
• Authors: Martin Charachon, C\'eline Hudelot, Paul-Henry Courn\`ede, Camille Ruppli, Roberto Ardon
• Abstract要約: 学習フレームワークを活用して視覚的説明法を作成する。 文献のメトリクスを用いることで,この手法は最先端のアプローチよりも優れています。 大規模な胸部X線データベース上でのアプローチを検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Explaining decisions of black-box classifiers is paramount in sensitive domains such as medical imaging since clinicians confidence is necessary for adoption. Various explanation approaches have been proposed, among which perturbation based approaches are very promising. Within this class of methods, we leverage a learning framework to produce our visual explanations method. From a given classifier, we train two generators to produce from an input image the so called similar and adversarial images. The similar image shall be classified as the input image whereas the adversarial shall not. Visual explanation is built as the difference between these two generated images. Using metrics from the literature, our method outperforms state-of-the-art approaches. The proposed approach is model-agnostic and has a low computation burden at prediction time. Thus, it is adapted for real-time systems. Finally, we show that random geometric augmentations applied to the original image play a regularization role that improves several previously proposed explanation methods. We validate our approach on a large chest X-ray database.
• Abstract（参考訳）: 臨床医の信頼が求められるため,ブラックボックス分類器の判断は医用画像などの敏感な領域で最重要である。 様々な説明手法が提案されており、摂動に基づくアプローチは非常に有望である。 このクラスでは、学習フレームワークを利用して視覚的説明法を作成します。 与えられた分類器から、2つの生成器を訓練し、入力画像から類似画像および逆画像と呼ばれるものを生成する。 類似した画像は入力画像に分類するが,反対者は,そのものではない。 これら2つの生成画像の違いとして視覚的説明が構築される。 文献のメトリクスを用いることで,この手法は最先端のアプローチよりも優れています。 提案手法はモデルに依存しず,予測時の計算負荷が低い。 そのため、リアルタイムシステムに適応している。 最後に, 原画像に適用したランダムな幾何学的拡張が, 前述したいくつかの説明方法を改善する正則化の役割を担っていることを示す。 胸部X線データベースへのアプローチを検証した。

関連論文リスト

• Advancements in Feature Extraction Recognition of Medical Imaging Systems Through Deep Learning Technique [0.36651088217486427]
  高速な画像認識を実現するために,重みに基づく目的関数を提案する。 単純なアルゴリズムを用いたしきい値最適化手法を提案する。 異なる種類のオブジェクトは互いに独立しており、画像処理においてコンパクトであることがわかった。
  論文  参考訳（メタデータ） (2024-05-23T04:46:51Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• A Test Statistic Estimation-based Approach for Establishing Self-interpretable CNN-based Binary Classifiers [7.424003880270276]
  ポストホック解釈可能性法は、可算だが異なる解釈を生成できるという限界がある。 提案手法は自己解釈可能で定量的であり,従来のポストホック・インタプリタビリティ法とは異なり,自己解釈可能で定量的である。
  論文  参考訳（メタデータ） (2023-03-13T05:51:35Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Beyond Fine-tuning: Classifying High Resolution Mammograms using Function-Preserving Transformations [32.40975574666405]
  マンモグラムを分類する作業は、通常、病変が高解像度画像で小さいため、非常に困難です。 本稿では,MorphHRという新しいフレームワークを導入して,微調整以上のものを提案する。 提案するフレームワークは, 連続した非線形活性化ニューロンに対して, 機能保存変換を統合し, 内部的にネットワークを正規化し, マンモグラム分類を改善する。
  論文  参考訳（メタデータ） (2021-01-20T03:04:07Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• This is not the Texture you are looking for! Introducing Novel Counterfactual Explanations for Non-Experts using Generative Adversarial Learning [59.17685450892182]
  反実用説明システムは、入力画像を変更して反実用推論を可能にする。 本稿では, 対向画像から画像への変換技術に基づく, 対向画像の説明を新たに生成する手法を提案する。 その結果,我々のアプローチは,2つの最先端技術システムよりも,メンタルモデル,説明満足度,信頼度,感情,自己効力に関して有意に優れた結果をもたらすことがわかった。
  論文  参考訳（メタデータ） (2020-12-22T10:08:05Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• Just Noticeable Difference for Machines to Generate Adversarial Images [0.34376560669160383]
  提案手法は、Just Noticeable differenceと呼ばれる実験心理学の一般的な概念に基づいている。 本研究で生成した対向画像は, 対向画像生成装置の出力と比較すると, より自然なように見える。
  論文  参考訳（メタデータ） (2020-01-29T19:42:35Z)

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。