論文の概要: Explainable AI based Glaucoma Detection using Transfer Learning and LIME

• arxiv url: http://arxiv.org/abs/2210.03332v1
• Date: Fri, 7 Oct 2022 05:36:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 12:57:29.329837
• Title: Explainable AI based Glaucoma Detection using Transfer Learning and LIME
• Title（参考訳）: 伝達学習とLIMEを用いた説明可能なAIによる緑内障検出
• Authors: Touhidul Islam Chayan, Anita Islam, Eftykhar Rahman, Md. Tanzim Reza, Tasnim Sakib Apon, MD. Golam Rabiul Alam
• Abstract要約: 緑内障を94.71%の精度で分類できる転写学習モデルを提案する。 我々は,LIME(Local Interpretable Model-Agnostic Explanations)を利用して,システムに説明可能性を導入している。
• 参考スコア（独自算出の注目度）: 0.3914676152740142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Glaucoma is the second driving reason for partial or complete blindness among all the visual deficiencies which mainly occurs because of excessive pressure in the eye due to anxiety or depression which damages the optic nerve and creates complications in vision. Traditional glaucoma screening is a time-consuming process that necessitates the medical professionals' constant attention, and even so time to time due to the time constrains and pressure they fail to classify correctly that leads to wrong treatment. Numerous efforts have been made to automate the entire glaucoma classification procedure however, these existing models in general have a black box characteristics that prevents users from understanding the key reasons behind the prediction and thus medical practitioners generally can not rely on these system. In this article after comparing with various pre-trained models, we propose a transfer learning model that is able to classify Glaucoma with 94.71\% accuracy. In addition, we have utilized Local Interpretable Model-Agnostic Explanations(LIME) that introduces explainability in our system. This improvement enables medical professionals obtain important and comprehensive information that aid them in making judgments. It also lessen the opacity and fragility of the traditional deep learning models.
• Abstract（参考訳）: 緑内障は、視神経を損傷し視覚の合併症を引き起こす不安やうつによる眼の過度の圧力によって生じる視覚障害のうち、部分的または完全な盲目の原因となる2番目の原因である。 伝統的な緑内障スクリーニングは、医療専門家の絶え間ない注意を必要とする時間を消費するプロセスであり、時間的制約や圧力によっても、正しく分類できないため間違った治療につながる。 緑内障の分類手順全体を自動化するために多くの努力がなされてきたが、これらの既存のモデルは一般にブラックボックスの特徴を持ち、ユーザーが予測の背後にある重要な理由を理解することを妨げる。 本稿では,種々の事前学習モデルと比較した上で,緑内障を94.71 %の精度で分類できる転写学習モデルを提案する。 また,LIME(Local Interpretable Model-Agnostic Explanations)を利用して,システムに説明可能性を導入している。 この改善により、医療専門家は判断の助けとなる重要かつ包括的な情報を得ることができる。 また、従来のディープラーニングモデルの不透明さや脆弱さも軽減します。

関連論文リスト

• AI-Driven Approaches for Glaucoma Detection -- A Comprehensive Review [0.09320657506524149]
  コンピュータ支援診断システム(CADx)は、臨床医が早期に緑内障の正確な診断を支援するための有望なツールとして登場した。 本稿では,緑内障の診断にCADxシステムで使用されるAI技術の概要を概観する。
  論文  参考訳（メタデータ） (2024-10-21T12:26:53Z)
• InceptionCaps: A Performant Glaucoma Classification Model for Data-scarce Environment [0.0]
  緑内障は不可逆的な眼疾患で 世界第2位の視覚障害の原因です 本稿では,InceptionV3を畳み込みベースとしたカプセルネットワーク(CapsNet)をベースとした新しいディープラーニングモデルであるInceptionCapsを提案する。 InceptionCapsは0.956、特異性0.96、AUC0.9556を達成し、RIM-ONE v2データセット上での最先端のディープラーニングモデルのパフォーマンスを上回った。
  論文  参考訳（メタデータ） (2023-11-24T11:58:11Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• A CNN-LSTM Combination Network for Cataract Detection using Eye Fundus Images [0.0]
  50歳以上の人の不可逆性失明の主な原因の1つは白内障治療の遅れである。 我々は,低コストな診断システムの構築を目的として,CNN-LSTMに基づくモデルアーキテクチャを開発した。 提案されたアーキテクチャは、最先端の97.53%の精度で以前のシステムより優れていた。
  論文  参考訳（メタデータ） (2022-10-28T12:35:15Z)
• Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
  眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。 大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
  論文  参考訳（メタデータ） (2022-06-04T13:16:30Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• An Interpretable Multiple-Instance Approach for the Detection of referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
  基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。 画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。 我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T13:14:15Z)
• Domain-specific loss design for unsupervised physical training: A new approach to modeling medical ML solutions [31.71252686825754]
  本稿では,光屈折ネットワーク,損失関数,トレーニングスキームである OpticNet を提案する。 単一光線トレーシングを用いた高精度な光伝搬眼モデルを構築した。 我々のネットワークは標準手順で訓練されたシステムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-05-09T14:39:23Z)
• 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)

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。