論文の概要: Explainable Ensemble Machine Learning for Breast Cancer Diagnosis based on Ultrasound Image Texture Features

• arxiv url: http://arxiv.org/abs/2201.07227v1
• Date: Mon, 17 Jan 2022 22:13:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-21 02:47:23.302833
• Title: Explainable Ensemble Machine Learning for Breast Cancer Diagnosis based on Ultrasound Image Texture Features
• Title（参考訳）: 超音波画像テクスチャに基づく乳癌診断のための説明可能なアンサンブル機械学習
• Authors: Alireza Rezazadeh, Yasamin Jafarian and Ali Kord
• Abstract要約: 超音波画像を用いた乳がん診断のための説明可能な機械学習パイプラインを提案する。 この結果から,提案するフレームワークは説明可能でありながら高い予測性能が得られることがわかった。
• 参考スコア（独自算出の注目度）: 4.511923587827301
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image classification is widely used to build predictive models for breast cancer diagnosis. Most existing approaches overwhelmingly rely on deep convolutional networks to build such diagnosis pipelines. These model architectures, although remarkable in performance, are black-box systems that provide minimal insight into the inner logic behind their predictions. This is a major drawback as the explainability of prediction is vital for applications such as cancer diagnosis. In this paper, we address this issue by proposing an explainable machine learning pipeline for breast cancer diagnosis based on ultrasound images. We extract first- and second-order texture features of the ultrasound images and use them to build a probabilistic ensemble of decision tree classifiers. Each decision tree learns to classify the input ultrasound image by learning a set of robust decision thresholds for texture features of the image. The decision path of the model predictions can then be interpreted by decomposing the learned decision trees. Our results show that our proposed framework achieves high predictive performance while being explainable.
• Abstract（参考訳）: 画像分類は乳がん診断の予測モデルを構築するために広く使われている。 既存のアプローチのほとんどは、そのような診断パイプラインを構築するために深い畳み込みネットワークに依存している。 これらのモデルアーキテクチャは、性能は注目に値するが、予測の裏にある内部ロジックに対する最小限の洞察を提供するブラックボックスシステムである。 これは、がん診断のような応用には予測の説明が不可欠であるため、大きな欠点である。 本稿では、超音波画像に基づく乳がん診断のための説明可能な機械学習パイプラインを提案し、この問題に対処する。 超音波画像の1次および2次テクスチャ特徴を抽出し,それを用いて決定木分類器の確率的アンサンブルを構築する。 各決定木は、画像のテクスチャ特徴に対するロバストな決定しきい値のセットを学習して入力超音波画像を分類することを学ぶ。 モデル予測の決定経路は、学習した決定木を分解することで解釈できる。 その結果,提案フレームワークは説明可能でありながら高い予測性能を達成できることがわかった。

関連論文リスト

• Learning a Clinically-Relevant Concept Bottleneck for Lesion Detection in Breast Ultrasound [0.0]
  本稿では,米国放射線学大学乳房画像・報告データシステム(BI-RADS)の標準語彙を用いた解釈可能な予測を提供する説明可能なAIモデルを提案する。 このモデルは、BI-RADSの既知の特徴が最終的ながん分類の前に予測される概念ボトルネック層を特徴とするディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2024-06-29T00:44:33Z)
• Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation [48.08423125835335]
  MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。 放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
  論文  参考訳（メタデータ） (2023-08-27T22:07:42Z)
• BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
  本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。 提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。 臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
  論文  参考訳（メタデータ） (2021-10-05T19:14:46Z)
• Interpretable Mammographic Image Classification using Cased-Based Reasoning and Deep Learning [20.665935997959025]
  マンモグラフィーのケースベース推論を用いた新しい解釈型ニューラルネットワークアルゴリズムを提案する。 我々のネットワークは悪性度予測と、その予測を既知の医学的特徴を用いて説明する。
  論文  参考訳（メタデータ） (2021-07-12T17:42:09Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• 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)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Gleason Grading of Histology Prostate Images through Semantic Segmentation via Residual U-Net [60.145440290349796]
  前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。 コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。 この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
  論文  参考訳（メタデータ） (2020-05-22T19:49:10Z)
• Understanding the robustness of deep neural network classifiers for breast cancer screening [52.50078591615855]
  ディープニューラルネットワーク(DNN)は乳がん検診において有望であるが、その入力摂動に対する堅牢性は臨床的に実装される前によりよく理解する必要がある。 放射線技師レベルのマンモグラム画像分類器の4種類の入力摂動に対する感度を測定した。 また,低域通過フィルタの効果について詳細な解析を行い,臨床的に有意な特徴の視認性を低下させることを示した。
  論文  参考訳（メタデータ） (2020-03-23T01:26:36Z)
• Neural networks approach for mammography diagnosis using wavelets features [1.3750624267664155]
  画像のデータをウェーブレット多レベル分解を用いた特徴ベクトルに変換することにより、診断処理を行う。 提案モデルは,腫瘍のタイプやリスクレベルに応じてマンモグラムを分類するために設計された人工ニューラルネットワークで構成されている。
  論文  参考訳（メタデータ） (2020-03-06T02:10:47Z)

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。