論文の概要: Towards Semantic Interpretation of Thoracic Disease and COVID-19 Diagnosis Models

• arxiv url: http://arxiv.org/abs/2104.02481v1
• Date: Sun, 4 Apr 2021 17:35:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-07 14:14:52.712496
• Title: Towards Semantic Interpretation of Thoracic Disease and COVID-19 Diagnosis Models
• Title（参考訳）: 胸部疾患の意味的解釈とcovid-19診断モデル
• Authors: Ashkan Khakzar, Sabrina Musatian, Jonas Buchberger, Icxel Valeriano Quiroz, Nikolaus Pinger, Soroosh Baselizadeh, Seong Tae Kim, Nassir Navab
• Abstract要約: 畳み込みニューラルネットワークは胸部X線による胸部病変の自動診断において有望である。 本研究では,まずネットワークの内部単位(特徴マップ)に関連付けられた意味を同定する。 学習特徴の解釈性に及ぼす事前学習とデータ不均衡の影響について検討した。
• 参考スコア（独自算出の注目度）: 38.64779427647742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional neural networks are showing promise in the automatic diagnosis of thoracic pathologies on chest x-rays. Their black-box nature has sparked many recent works to explain the prediction via input feature attribution methods (aka saliency methods). However, input feature attribution methods merely identify the importance of input regions for the prediction and lack semantic interpretation of model behavior. In this work, we first identify the semantics associated with internal units (feature maps) of the network. We proceed to investigate the following questions; Does a regression model that is only trained with COVID-19 severity scores implicitly learn visual patterns associated with thoracic pathologies? Does a network that is trained on weakly labeled data (e.g. healthy, unhealthy) implicitly learn pathologies? Moreover, we investigate the effect of pretraining and data imbalance on the interpretability of learned features. In addition to the analysis, we propose semantic attribution to semantically explain each prediction. We present our findings using publicly available chest pathologies (CheXpert, NIH ChestX-ray8) and COVID-19 datasets (BrixIA, and COVID-19 chest X-ray segmentation dataset). The Code is publicly available.
• Abstract（参考訳）: 畳み込みニューラルネットワークは胸部X線による胸部病変の自動診断において有望である。 そのブラックボックスの性質は、入力特徴帰属法(saliency method)による予測を説明するために、最近の多くの研究のきっかけとなった。 しかし、入力特徴属性法は単に入力領域の重要性を識別するだけで、モデル行動の意味論的解釈が欠如している。 本研究では,まずネットワークの内部単位(特徴マップ)に関連付けられた意味を同定する。 新型コロナウイルス(covid-19)の重症度でのみ訓練された回帰モデルは、胸部病理に関連する視覚パターンを暗黙的に学習するのだろうか? 弱いラベル付きデータで訓練されたネットワーク(例) 健康で不健康な) 暗黙に病理を学ぶ? さらに,事前学習とデータ不均衡が学習特徴の解釈性に及ぼす影響について検討した。 分析に加えて,各予測を意味的に説明するための意味属性を提案する。 本研究は,CheXpert,NIH ChestX-ray8,BrixIA,COVID-19 chest X-ray segmentation datasetを用いて得られた。 コードは公開されている。

関連論文リスト

• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Anatomy-Guided Weakly-Supervised Abnormality Localization in Chest X-rays [17.15666977702355]
  本稿では,弱いアノテーション問題に対処するため,解剖誘導胸部X線ネットワーク(AGXNet)を提案する。 本フレームワークは2つのネットワークのカスケードから構成される。1つは解剖学的異常を同定し,もう1つは病理学的観察を行う。 MIMIC-CXRデータセットを用いて,AGXNetの疾患および解剖学的異常局在に対する有効性を示した。
  論文  参考訳（メタデータ） (2022-06-25T18:33:27Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Explaining COVID-19 and Thoracic Pathology Model Predictions by Identifying Informative Input Features [47.45835732009979]
  ニューラルネットワークは胸部X線上の分類および回帰タスクにおいて顕著な性能を示した。 特徴帰属法は、出力予測における入力特徴の重要性を識別する。 本研究では,NIH Chest X-ray8およびBrixIAデータセット上で,人間中心の解釈可能性指標と人間に依存しない特徴重要度指標の両方を用いて評価する。
  論文  参考訳（メタデータ） (2021-04-01T11:42:39Z)
• Constructing and Evaluating an Explainable Model for COVID-19 Diagnosis from Chest X-rays [15.664919899567288]
  我々は,X線画像の取得がCTスキャンなどの高品質画像の取得よりも容易で安価である状況において,臨床医の診断を支援するモデルの構築に重点を置いている。 深層ニューラルネットワークは、画像データから直接疾患検出のための高い予測モデルを構築することができることが繰り返し示されている。
  論文  参考訳（メタデータ） (2020-12-19T21:33:42Z)
• Interpreting Uncertainty in Model Predictions For COVID-19 Diagnosis [0.0]
  新型コロナウイルス(COVID-19)は、一般的なラボスワブ検査に加えて、診断の迅速化に補助ツールを使用する必要性が高まっている。 従来の畳み込みネットワークは、不確実性の捕捉に欠ける予測に点推定を用いる。 ベイジアン畳み込みニューラルネットワークを用いて計算された予測の不確実性を考慮した,不確実性とそのコンポーネントの解釈可能性に対処する可視化フレームワークを開発した。
  論文  参考訳（メタデータ） (2020-10-26T01:27:29Z)
• GraphXCOVID: Explainable Deep Graph Diffusion Pseudo-Labelling for Identifying COVID-19 on Chest X-rays [4.566180616886624]
  胸部X線からCOVID-19を分類するためのグラフベースの深層半監督フレームワークを提案する。 本フレームワークでは,グラフ拡散の最適化モデルを導入し,小さなラベル付き集合と膨大な未ラベルデータとの自然関係を補強する。 実験を通して、我々のモデルは、ラベル付き例のごく一部で、現在の先行教師付きモデルより優れていることを実証した。
  論文  参考訳（メタデータ） (2020-09-30T15:38:24Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。