論文の概要: Human-centered XAI for Burn Depth Characterization

• arxiv url: http://arxiv.org/abs/2210.13535v1
• Date: Mon, 24 Oct 2022 18:37:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 13:20:19.266286
• Title: Human-centered XAI for Burn Depth Characterization
• Title（参考訳）: 燃焼深度評価のための人中心XAI
• Authors: Maxwell J. Jacobson, Daniela Chanci Arrubla, Maria Romeo Tricas, Gayle Gordillo, Yexiang Xue, Chandan Sen, Juan Wachs
• Abstract要約: 火傷分類は、医療AI分野における重要な側面である。 バーン超音波分類モデルを改善するための説明可能なHuman-in-the-loopフレームワークを提案する。 フレームワークによって一度変更され, 燃焼深度分類の精度が, 88%から94%に向上したことを示す。
• 参考スコア（独自算出の注目度）: 8.967153054343775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Approximately 1.25 million people in the United States are treated each year for burn injuries. Precise burn injury classification is an important aspect of the medical AI field. In this work, we propose an explainable human-in-the-loop framework for improving burn ultrasound classification models. Our framework leverages an explanation system based on the LIME classification explainer to corroborate and integrate a burn expert's knowledge -- suggesting new features and ensuring the validity of the model. Using this framework, we discover that B-mode ultrasound classifiers can be enhanced by supplying textural features. More specifically, we confirm that texture features based on the Gray Level Co-occurance Matrix (GLCM) of ultrasound frames can increase the accuracy of transfer learned burn depth classifiers. We test our hypothesis on real data from porcine subjects. We show improvements in the accuracy of burn depth classification -- from ~88% to ~94% -- once modified according to our framework.
• Abstract（参考訳）: 米国では毎年約1億2500万人が火傷の治療を受けている。 正確な焼傷分類は、医療AI分野における重要な側面である。 本研究では,火傷超音波分類モデルを改善するためのヒューマン・イン・ザ・ループフレームワークを提案する。 このフレームワークは、lime分類説明器に基づく説明システムを利用して、バーンエキスパートの知識をコラボレートし、統合する -- 新機能の提案とモデルの妥当性の保証を行う。 この枠組みを用いることで,Bモード超音波分類器の音質特性を向上できることがわかった。 具体的には, 超音波フレームのGray Level Co-occurance Matrix (GLCM) に基づくテクスチャ特性が, 燃焼深度分類器の伝達精度を向上させることを確認する。 私たちは豚の被験者の実際のデータで仮説を検証します。 フレームワークに従って修正すると、バーン深さ分類の精度が88%から94%に向上しました。

関連論文リスト

• Boundary Attention Mapping (BAM): Fine-grained saliency maps for segmentation of Burn Injuries [1.4424150304888417]
  火傷は、熱、化学、電気的侮辱などのメカニズムによって引き起こされる。 現在、視覚的および触覚的観察によるバーンアセスメントの主なアプローチは、およそ60%-80%の精度である。 熱傷の重症度を評価するための機械学習パイプラインを導入し、熱傷の影響を受ける皮膚の領域を分割する。
  論文  参考訳（メタデータ） (2023-05-24T17:15:19Z)
• Venn Diagram Multi-label Class Interpretation of Diabetic Foot Ulcer with Color and Sharpness Enhancement [8.16095457838169]
  DFUは糖尿病の重篤な合併症であり、適切に治療しなければ下肢の切断につながる可能性がある。 本稿では,異なる画像強調手法を用いたマルチラベルCNN手法のVenn Diagram解釈を提案し,マルチクラスDFU分類を改善する。 提案手法は既存の手法より優れており,それぞれ0.6592,0.6593,0.6652のマクロ平均F1,リコール,精度スコアを達成している。
  論文  参考訳（メタデータ） (2023-05-01T19:06:28Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• A deep learning model for burn depth classification using ultrasound imaging [0.0]
  本稿では, 皮膚の組織形態の変化に基づいて, 燃焼深度を分類する深層畳み込みニューラルネットワークを提案する。 ネットワークはエンコーダ・デコーダアーキテクチャを用いて、未焼成皮膚画像の低次元多様体を学習する。 20倍のクロスバリデーションから得られた性能測定値から, モデルが深部厚熱傷を識別できることが示唆された。
  論文  参考訳（メタデータ） (2022-03-29T20:01:22Z)
• 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)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Multiclass Burn Wound Image Classification Using Deep Convolutional Neural Networks [0.0]
  創傷専門家が管理プロトコルのより正確な診断と最適化を可能にするためには、継続的な創傷監視が重要です。 本研究では, 深層学習による傷傷画像の分類を, 傷の状況に応じて2、3つのカテゴリに分類する。
  論文  参考訳（メタデータ） (2021-03-01T23:54:18Z)
• Classification of Breast Cancer Lesions in Ultrasound Images by using Attention Layer and loss Ensembles in Deep Convolutional Neural Networks [0.0]
  本稿では,VGG16アーキテクチャーのアテンションモジュールを用いた乳癌病変の分類のための新しい枠組みを提案する。 また,双曲性コサイン損失の二値交互エントロピーと対数の組み合わせである新たなアンサンブル損失関数を提案し,分類病変とそのラベル間のモデル差を改善する。 本研究で提案したモデルは,93%の精度で他の改良VGG16アーキテクチャよりも優れており,乳がん病変の分類のための他の技術フレームワークと競合する結果となった。
  論文  参考訳（メタデータ） (2021-02-23T06:49:12Z)
• Grading Loss: A Fracture Grade-based Metric Loss for Vertebral Fracture Detection [58.984536305767996]
  自動椎骨骨折検出のための表現学習型アプローチを提案する。 本稿では,Genantのフラクチャーグレーディングスキームを尊重する,学習表現のための新しいGrading Lossを提案する。 一般に利用可能なスピーンデータセットでは、提案された損失関数が81.5%のフラクチャー検出F1スコアを達成する。
  論文  参考訳（メタデータ） (2020-08-18T10:03:45Z)

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。