論文の概要: Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM

• arxiv url: http://arxiv.org/abs/2111.12215v1
• Date: Wed, 24 Nov 2021 01:14:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 14:59:50.989012
• Title: Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM
• Title（参考訳）: AxialNetとHiResCAMを用いた胸部CTボリュームの多変量分類
• Authors: Rachel Lea Draelos, Lawrence Carin
• Abstract要約: 本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
• 参考スコア（独自算出の注目度）: 89.2175350956813
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding model predictions is critical in healthcare, to facilitate rapid verification of model correctness and to guard against use of models that exploit confounding variables. We introduce the challenging new task of explainable multiple abnormality classification in volumetric medical images, in which a model must indicate the regions used to predict each abnormality. To solve this task, we propose a multiple instance learning convolutional neural network, AxialNet, that allows identification of top slices for each abnormality. Next we incorporate HiResCAM, an attention mechanism, to identify sub-slice regions. We prove that for AxialNet, HiResCAM explanations are guaranteed to reflect the locations the model used, unlike Grad-CAM which sometimes highlights irrelevant locations. Armed with a model that produces faithful explanations, we then aim to improve the model's learning through a novel mask loss that leverages HiResCAM and 3D allowed regions to encourage the model to predict abnormalities based only on the organs in which those abnormalities appear. The 3D allowed regions are obtained automatically through a new approach, PARTITION, that combines location information extracted from radiology reports with organ segmentation maps obtained through morphological image processing. Overall, we propose the first model for explainable multi-abnormality prediction in volumetric medical images, and then use the mask loss to achieve a 33% improvement in organ localization of multiple abnormalities in the RAD-ChestCT data set of 36,316 scans, representing the state of the art. This work advances the clinical applicability of multiple abnormality modeling in chest CT volumes.
• Abstract（参考訳）: モデル予測を理解することは、医療において重要であり、モデルの正確性の迅速な検証を促進し、共起変数を利用するモデルの使用を防ぐ。 本稿では,各異常の予測に使用する領域をモデルに示さなければならない,容積医療画像における多変量分類の課題を紹介する。 この課題を解決するために,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 次に、注目メカニズムであるHiResCAMを導入し、サブスライス領域を同定する。 AxialNetの場合、HiResCAMの説明はモデルが使用している場所を反映することが保証されている。 忠実な説明を生み出すモデルを用いて,hirescamと3d許可領域を活用した新たなマスク損失によるモデル学習の改善を目標とし,それらの異常が出現する臓器のみに基づいて,モデルが異常を予測するように促す。 3D許容領域は, 放射線学報告から抽出した位置情報と形態画像処理により得られた臓器分割マップを結合した新たなアプローチPartITIONによって自動的に取得される。 総説では,3,316スキャンのRAD-ChestCTデータセットにおいて,複数の異常の臓器局在化を33%向上させるため,容積的医用画像における説明可能な多異常予測のための最初のモデルを提案する。 本研究は胸部ctボリュームにおける多変量モデリングの臨床応用性を向上させる。

関連論文リスト

• Efficient Slice Anomaly Detection Network for 3D Brain MRI Volume [2.3633885460047765]
  現在の異常検出法は, 基準産業データより優れているが, 「正常」 と「異常」の定義の相違により, 医療データに苦慮している。 我々は,ImageNet上で事前学習し,MRIデータセットを2次元スライス特徴抽出器として微調整したモデルを用いたSimple Slice-based Network (SimpleSliceNet) というフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-28T17:20:56Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
  甲状腺疾患は高分解能超音波(US)で診断されることが多い 縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-01T10:10:46Z)
• Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification Using Model Ensembles [52.77024349608834]
  我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。 提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
  論文  参考訳（メタデータ） (2022-11-12T23:28:54Z)
• Contrastive Attention for Automatic Chest X-ray Report Generation [124.60087367316531]
  ほとんどの場合、正常領域が胸部X線像全体を支配し、これらの正常領域の対応する記述が最終報告を支配している。 本稿では,現在の入力画像と通常の画像を比較してコントラスト情報を抽出するContrastive Attention(CA)モデルを提案する。 2つの公開データセットで最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-06-13T11:20:31Z)
• Self-Supervised Out-of-Distribution Detection in Brain CT Scans [46.78055929759839]
  本稿では,異常検出のための自己教師付き学習手法を提案する。 私たちのアーキテクチャは、主に、1)再構成と2)幾何学的変換を予測する2つの部分で構成されています。 試験時間において、幾何変換予測器は、幾何変換と予測との誤差を計算することにより、異常スコアを割り当てることができる。
  論文  参考訳（メタデータ） (2020-11-10T22:21:48Z)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。