論文の概要: Information Bottleneck Attribution for Visual Explanations of Diagnosis and Prognosis

• arxiv url: http://arxiv.org/abs/2104.02869v1
• Date: Wed, 7 Apr 2021 02:43:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-08 12:57:42.172019
• Title: Information Bottleneck Attribution for Visual Explanations of Diagnosis and Prognosis
• Title（参考訳）: 診断と予後の視覚的説明のための情報ボトルネックの帰属
• Authors: Ugur Demir, Ismail Irmakci, Elif Keles, Ahmet Topcu, Ziyue Xu, Concetto Spampinato, Sachin Jambawalikar, Evrim Turkbey, Baris Turkbey, Ulas Bagci
• Abstract要約: 本稿では,医療応用のための堅牢な視覚的説明手法を提案する。 情報ボトルネックの概念に触発され、ニューラルネットワーク表現をノイズでマスキングして重要な領域を見つけます。
• 参考スコア（独自算出の注目度）: 8.325727554619325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual explanation methods have an important role in the prognosis of the patients where the annotated data is limited or not available. There have been several attempts to use gradient-based attribution methods to localize pathology from medical scans without using segmentation labels. This research direction has been impeded by the lack of robustness and reliability. These methods are highly sensitive to the network parameters. In this study, we introduce a robust visual explanation method to address this problem for medical applications. We provide a highly innovative algorithm to quantifying lesions in the lungs caused by the Covid-19 with high accuracy and robustness without using dense segmentation labels. Inspired by the information bottleneck concept, we mask the neural network representation with noise to find out important regions. This approach overcomes the drawbacks of commonly used Grad-Cam and its derived algorithms. The premise behind our proposed strategy is that the information flow is minimized while ensuring the classifier prediction stays similar. Our findings indicate that the bottleneck condition provides a more stable and robust severity estimation than the similar attribution methods.
• Abstract（参考訳）: 視覚的説明法は、注釈付きデータが制限されているか使用できない患者の予後に重要な役割を果たす。 セグメンテーションラベルを使わずに、勾配に基づく帰属法を用いて、医療スキャンから病理をローカライズする試みがいくつかある。 この研究の方向性は、堅牢性と信頼性の欠如によって妨げられている。 これらの手法はネットワークパラメータに非常に敏感である。 本研究では,医療応用のための堅牢な視覚的説明手法を提案する。 我々は,高密度セグメンテーションラベルを用いることなく,Covid-19による肺病変を高精度かつ堅牢に定量化する,高度に革新的なアルゴリズムを提案する。 情報ボトルネックの概念に触発されて、ニューラルネットワークの表現をノイズで覆い、重要な領域を見つける。 このアプローチは、一般的なgrad-camとその派生アルゴリズムの欠点を克服する。 提案手法の背景にある前提は,情報フローの最小化と分類器の予測の類似性確保である。 以上の結果から,ボトルネック条件は類似の帰属法よりも安定かつ頑健な重大度推定が可能であることが示唆された。

関連論文リスト

• DDSB: An Unsupervised and Training-free Method for Phase Detection in Echocardiography [37.32413956117856]
  本研究では,End-Diastolic (ED) フレームとEnd-Systolic (ES) フレームを識別するための教師なしおよびトレーニング不要な手法を提案する。 アンカー点の同定と方向変形解析により,初期セグメンテーション画像の精度への依存性を効果的に低減する。 本手法は,学習モデルと同等の精度を,関連する欠点を伴わずに達成する。
  論文  参考訳（メタデータ） (2024-03-19T14:51:01Z)
• CV-Attention UNet: Attention-based UNet for 3D Cerebrovascular Segmentation of Enhanced TOF-MRA Images [2.2265536092123006]
  脳血管画像の正確な抽出にはCV-AttentionUNetと呼ばれる3次元脳血管注意UNet法を提案する。 低と高のセマンティクスを組み合わせるために,注意機構を適用した。 このアルゴリズムの新規性は、ラベル付きデータとラベルなしデータの両方でうまく機能する能力にあると考えています。
  論文  参考訳（メタデータ） (2023-11-16T22:31:05Z)
• Uncertainty Quantification in Machine Learning Based Segmentation: A Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
  左室容積推定は各種心血管疾患の診断・管理に重要である。 近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。 本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T13:44:55Z)
• 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)
• DARE: Towards Robust Text Explanations in Biomedical and Healthcare Applications [54.93807822347193]
  帰属ロバスト性評価手法を与えられたドメインに適応させ、ドメイン固有の妥当性を考慮する方法を示す。 次に,DAREが特徴とする脆さを軽減するために,対人訓練とFAR訓練の2つの方法を提案する。 最後に,確立した3つのバイオメディカル・ベンチマークを用いて実験を行い,本手法を実証的に検証した。
  論文  参考訳（メタデータ） (2023-07-05T08:11:40Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Belief function-based semi-supervised learning for brain tumor segmentation [23.21410263735263]
  ディープラーニングは、注釈付きデータを使用して病変フィールドを検出し、セグメンテーションすることを可能にする。 しかし、医療分野では、正確に注釈付きデータを取得することが非常に難しい。 本稿では,情報融合戦略を持つ新しい明示的ニューラルネットワークを用いて,不確実な境界問題に対処する。
  論文  参考訳（メタデータ） (2021-01-29T22:39:16Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Potential Features of ICU Admission in X-ray Images of COVID-19 Patients [8.83608410540057]
  本稿では,患者ICU入院ラベルを用いたデータセットから,重症度と相関する意味的特徴を抽出する手法を提案する。 この手法は、肺の病態を認識して意味的特徴を抽出するために訓練されたニューラルネットワークを使用する。 この方法では、学習した特徴の画像を選択でき、肺内の一般的な位置に関する情報を翻訳することができる。
  論文  参考訳（メタデータ） (2020-09-26T13:48:39Z)

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。