論文の概要: Interpretability of a Deep Learning Model in the Application of Cardiac
MRI Segmentation with an ACDC Challenge Dataset
- arxiv url: http://arxiv.org/abs/2103.08590v1
- Date: Mon, 15 Mar 2021 17:57:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 15:29:24.128803
- Title: Interpretability of a Deep Learning Model in the Application of Cardiac
MRI Segmentation with an ACDC Challenge Dataset
- Title（参考訳）: ACDCチャレンジデータセットを用いた心MRIセグメンテーションの応用におけるディープラーニングモデルの解釈可能性
- Authors: Adrianna Janik, Jonathan Dodd, Georgiana Ifrim, Kris Sankaran,
Kathleen Curran
- Abstract要約: このプロジェクトは、crdiac構造をセグメント化するように訓練された深層ネットワークから、異なる心臓の状態を示す概念を発見できるかどうかを調べる。
本研究の貢献は,D-TCAV法を心臓MRIアナリシスに応用した新しい方法である。
- 参考スコア（独自算出の注目度）: 8.460936676149101
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiac Magnetic Resonance (CMR) is the most effective tool for the
assessment and diagnosis of a heart condition, which malfunction is the world's
leading cause of death. Software tools leveraging Artificial Intelligence
already enhance radiologists and cardiologists in heart condition assessment
but their lack of transparency is a problem. This project investigates if it is
possible to discover concepts representative for different cardiac conditions
from the deep network trained to segment crdiac structures: Left Ventricle
(LV), Right Ventricle (RV) and Myocardium (MYO), using explainability methods
that enhances classification system by providing the score-based values of
qualitative concepts, along with the key performance metrics. With introduction
of a need of explanations in GDPR explainability of AI systems is necessary.
This study applies Discovering and Testing with Concept Activation Vectors
(D-TCAV), an interpretaibilty method to extract underlying features important
for cardiac disease diagnosis from MRI data. The method provides a quantitative
notion of concept importance for disease classified. In previous studies, the
base method is applied to the classification of cardiac disease and provides
clinically meaningful explanations for the predictions of a black-box deep
learning classifier. This study applies a method extending TCAV with a
Discovering phase (D-TCAV) to cardiac MRI analysis. The advantage of the D-TCAV
method over the base method is that it is user-independent. The contribution of
this study is a novel application of the explainability method D-TCAV for
cardiac MRI anlysis. D-TCAV provides a shorter pre-processing time for
clinicians than the base method.
- Abstract（参考訳）: 心臓磁気共鳴(英: Cardiac Magnetic Resonance, CMR)は、心臓疾患の評価と診断に最も効果的なツールであり、この疾患は世界有数の死因である。
人工知能を活用したソフトウェアツールは、すでに心臓状態の評価において放射線学者や心臓科医を増強しているが、透明性の欠如は問題である。
本研究は, 定性概念のスコアに基づく値と主要な性能指標を提供することにより, 分類システムを強化する説明可能性法を用いて, 左室(lv), 右室(rv), 心筋(myo)のcrdiac構造を区分する訓練を受けた深層ネットワークから, 異なる心状態を示す概念を発見できるかどうかを検討するものである。
GDPRの説明の必要性の導入により、AIシステムの説明可能性が必要です。
本研究では,MRIデータから心疾患の診断に重要な特徴を抽出するインタープリタビリティー法であるDiscovering and Testing with Concept Activation Vectors (D-TCAV)を適用した。
この方法は、病気分類における概念の重要性の定量的概念を提供する。
前報では, 心臓疾患の分類に基礎的手法を適用し, ブラックボックス深層学習分類器の予測に臨床的に有意な説明を提供する。
本研究では、ディスカバリングフェーズ(D-TCAV)を用いたTCAV拡張法を心臓MRI解析に適用する。
ベースメソッドよりもD-TCAVメソッドの利点は、それがユーザーに依存しないことです。
本研究の貢献は,D-TCAV法を心臓MRIアナリシスに応用した新しい方法である。
D-TCAVは基礎方法より臨床医に短い前処理時間を提供します。
関連論文リスト
- Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。
心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。
本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文 参考訳（メタデータ） (2024-10-08T10:03:52Z) - Advanced Neural Network Architecture for Enhanced Multi-Lead ECG Arrhythmia Detection through Optimized Feature Extraction [0.0]
不規則な心臓リズムを特徴とする不整脈は、深刻な診断課題を呈する。
本研究では,不整脈分類の複雑さに対処するために,ディープラーニング技術を活用した革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-04-13T19:56:15Z) - Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。
提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-05-20T03:12:23Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Hierarchical Deep Learning with Generative Adversarial Network for
Automatic Cardiac Diagnosis from ECG Signals [2.5008947886814186]
本稿では,ECG信号の自動診断のためのGAN(Generative Adversarial Network)を用いた2階層型階層型ディープラーニングフレームワークを提案する。
第1レベルのモデルはメモリ拡張DeepオートエンコーダとGANで構成されており、異常信号と通常のECGを区別して異常検出を行う。
第2レベルの学習は、異なる不整脈識別のための堅牢な多クラス分類を目指している。
論文 参考訳（メタデータ） (2022-10-19T12:29:05Z) - MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining
Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。
myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。
この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
論文 参考訳（メタデータ） (2022-01-10T06:37:23Z) - Machine Learning-based Efficient Ventricular Tachycardia Detection Model
of ECG Signal [0.0]
心不全の一次診断と解析において、心電図信号は重要な役割を果たす。
本稿では,ノイズフィルタを用いた心室頻拍不整脈の予測モデル,心電図の特徴セット,機械学習に基づく分類モデルを提案する。
論文 参考訳（メタデータ） (2021-12-24T05:56:09Z) - ECG-Based Heart Arrhythmia Diagnosis Through Attentional Convolutional
Neural Networks [9.410102957429705]
本稿では,意図に基づく畳み込みニューラルネットワーク(ABCNN)を用いて生の心電図信号に対処し,正確な不整脈検出のための情報的依存関係を自動的に抽出する手法を提案する。
我々の主な課題は、正常な心拍から不整脈を見つけ、その間に5種類の不整脈から心疾患を正確に認識することである。
実験の結果,提案するABCNNは広く使用されているベースラインよりも優れていた。
論文 参考訳（メタデータ） (2021-08-18T14:55:46Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z) - Interpreting Deep Neural Networks for Single-Lead ECG Arrhythmia
Classification [0.0]
心臓不整脈は、心臓疾患の死亡率と死亡率の重大な原因である。
ディープラーニング手法は、大規模な不整脈診断を行うためのソリューションを提供する。
得られたモデル出力をECGの対応するセグメントに関連付ける必要がある。
第1の方法は、CNNモデルの正当性を可視化するグラディエント重み付きクラス活性化マップ(Grad-CAM)の新規な応用である。
第2のアプローチでは、LSTMモデルの入力削除マスクを学習することで、サリエンシを導出する。
論文 参考訳（メタデータ） (2020-04-11T13:24:17Z) - Heart Sound Segmentation using Bidirectional LSTMs with Attention [37.62160903348547]
心電図(PCG)信号を心臓状態に分割するための新しい枠組みを提案する。
我々は近年の注目に基づく学習の進歩を利用してPCG信号のセグメンテーションを行う。
提案手法は,ヒトと動物の両方の心臓記録を含む複数のベンチマークにおいて,最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-04-02T02:09:11Z)
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。