論文の概要: Interpreting Deep Learning based Cerebral Palsy Prediction with Channel Attention

• arxiv url: http://arxiv.org/abs/2106.04471v1
• Date: Tue, 8 Jun 2021 15:57:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-09 16:04:57.671111
• Title: Interpreting Deep Learning based Cerebral Palsy Prediction with Channel Attention
• Title（参考訳）: チャネル注意による脳性麻痺予測に基づく深層学習の解釈
• Authors: Manli Zhu, Qianhui Men, Edmond S. L. Ho, Howard Leung, Hubert P. H. Shum
• Abstract要約: 幼児の身体運動から脳性麻痺を予測するための深層学習モデルのためのチャネルアテンションモジュールを提案する。 本システムは91.67%の精度を達成し,他の最先端のディープラーニング手法を抑圧する。
• 参考スコア（独自算出の注目度）: 12.83702462166513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early prediction of cerebral palsy is essential as it leads to early treatment and monitoring. Deep learning has shown promising results in biomedical engineering thanks to its capacity of modelling complicated data with its non-linear architecture. However, due to their complex structure, deep learning models are generally not interpretable by humans, making it difficult for clinicians to rely on the findings. In this paper, we propose a channel attention module for deep learning models to predict cerebral palsy from infants' body movements, which highlights the key features (i.e. body joints) the model identifies as important, thereby indicating why certain diagnostic results are found. To highlight the capacity of the deep network in modelling input features, we utilize raw joint positions instead of hand-crafted features. We validate our system with a real-world infant movement dataset. Our proposed channel attention module enables the visualization of the vital joints to this disease that the network considers. Our system achieves 91.67% accuracy, suppressing other state-of-the-art deep learning methods.
• Abstract（参考訳）: 脳性麻痺の早期予測は、早期治療と監視につながるため不可欠である。 ディープラーニングは、複雑なデータを非線形アーキテクチャでモデル化する能力のおかげで、バイオメディカルエンジニアリングにおいて有望な結果を示している。 しかし、その複雑な構造のため、深層学習モデルは一般にヒトでは解釈できないため、臨床医が研究結果に頼ることは困難である。 本稿では,幼児の身体運動から脳性麻痺を予測するための,深層学習モデルのためのチャネルアテンションモジュールを提案する。 身体関節) モデルが重要であると認識し、なぜ特定の診断結果が見つかるかを示す。 入力特徴をモデル化する際の深層ネットワークの能力を強調するために,手作りの特徴の代わりに生の関節位置を利用する。 本システムを実世界の乳幼児運動データセットで検証する。 提案するチャネルアテンションモジュールは,ネットワークが考慮する疾患に対する重要な関節の可視化を可能にする。 本システムは91.67%の精度を達成し,他の最先端のディープラーニング手法を抑圧する。

関連論文リスト

• Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
  潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。 まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。 次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。 第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T17:07:33Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• Interpretable Fusion Analytics Framework for fMRI Connectivity: Self-Attention Mechanism and Latent Space Item-Response Model [0.4893345190925178]
  本稿では,ディープラーニングプロセスの分類結果を解釈する新しい分析フレームワークを提案する。 この枠組みを4種類の認知障害に適用することにより,本手法が重要なROI関数の決定に有効であることを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:01:18Z)
• An explainability framework for cortical surface-based deep learning [110.83289076967895]
  我々は,皮質表面の深層学習のためのフレームワークを開発した。 まず,表面データに摂動に基づくアプローチを適用した。 我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
  論文  参考訳（メタデータ） (2022-03-15T23:16:49Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Improving a neural network model by explanation-guided training for glioma classification based on MRI data [0.0]
  解釈可能性の手法は、ディープラーニングモデルの意思決定プロセスに関する洞察を得るための一般的な方法となっている。 本稿では,LRP(Layer-wise Relevance propagation)技術を用いた説明誘導学習手法を提案する。 我々は,低次・高次グリオーマ分類問題に対する畳み込みニューラルネットワーク(CNN)モデルについて実験的に検証した。
  論文  参考訳（メタデータ） (2021-07-05T13:27:28Z)
• Stroke Lesion Segmentation with Visual Cortex Anatomy Alike Neural Nets [0.0]
  この研究は、人間の視覚野の解剖学的構造を模倣した、より脳に似たモデルを提示する。 提案したモデルは,最先端のモデルと同等に動作可能であることが判明した。
  論文  参考訳（メタデータ） (2021-05-13T20:39:29Z)
• Unifying Neural Learning and Symbolic Reasoning for Spinal Medical Report Generation [33.818136671925444]
  本稿では,深層学習と記号論理的推論を統一することにより,人間的な学習を行うニューラル・シンボリック・ラーニング・フレームワークを提案する。 我々のアルゴリズムは、既存の脊髄構造検出手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2020-04-28T15:06:24Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)
• A Developmental Neuro-Robotics Approach for Boosting the Recognition of Handwritten Digits [91.3755431537592]
  近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。 本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
  論文  参考訳（メタデータ） (2020-03-23T14:55:00Z)

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。