論文の概要: Counterfactual Explanation and Instance-Generation using Cycle-Consistent Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2301.08939v1
• Date: Sat, 21 Jan 2023 11:14:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-24 15:40:10.416846
• Title: Counterfactual Explanation and Instance-Generation using Cycle-Consistent Generative Adversarial Networks
• Title（参考訳）: サイクル一貫性のある生成逆ネットワークを用いた実例記述とインスタンス生成
• Authors: Tehseen Zia, Zeeshan Nisar, Shakeeb Murtaza
• Abstract要約: 画像分類に依存しない新しい戦略を提案する。 我々は、Cycle-Consistency原則(別名CycleGAN)を利用して、教師なしの方法で翻訳を行う。 本手法は, 人工, 結核, BraTS の3つのデータセットについて検討した。
• 参考スコア（独自算出の注目度）: 1.5469452301122175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The image-based diagnosis is now a vital aspect of modern automation assisted diagnosis. To enable models to produce pixel-level diagnosis, pixel-level ground-truth labels are essentially required. However, since it is often not straight forward to obtain the labels in many application domains such as in medical image, classification-based approaches have become the de facto standard to perform the diagnosis. Though they can identify class-salient regions, they may not be useful for diagnosis where capturing all of the evidences is important requirement. Alternatively, a counterfactual explanation (CX) aims at providing explanations using a casual reasoning process of form "If X has not happend, Y would not heppend". Existing CX approaches, however, use classifier to explain features that can change its predictions. Thus, they can only explain class-salient features, rather than entire object of interest. This hence motivates us to propose a novel CX strategy that is not reliant on image classification. This work is inspired from the recent developments in generative adversarial networks (GANs) based image-to-image domain translation, and leverages to translate an abnormal image to counterpart normal image (i.e. counterfactual instance CI) to find discrepancy maps between the two. Since it is generally not possible to obtain abnormal and normal image pairs, we leverage Cycle-Consistency principle (a.k.a CycleGAN) to perform the translation in unsupervised way. We formulate CX in terms of a discrepancy map that, when added from the abnormal image, will make it indistinguishable from the CI. We evaluate our method on three datasets including a synthetic, tuberculosis and BraTS dataset. All these experiments confirm the supremacy of propose method in generating accurate CX and CI.
• Abstract（参考訳）: 画像に基づく診断は、現代の自動化支援診断の重要な側面である。 モデルがピクセルレベルの診断を可能にするためには、基本的にピクセルレベルの接地ラベルが必要である。 しかし、医用画像などの多くのアプリケーション領域でラベルを取得することは、直接的にではないことが多いため、分類に基づくアプローチが診断を行うデファクトスタンダードとなっている。 分類済領域を特定できるが、すべての証拠を捉えることが重要な要件である診断には役に立たないかもしれない。 あるいは、逆実説明 (CX) は「X が起こらなかったら Y は起こらなかった」という形のカジュアルな推論プロセスを用いて説明することを目的としている。 しかしながら、既存のcxアプローチでは、予測を変更する可能性のある機能を説明するために分類器を使用している。 したがって、関心の対象全体ではなく、クラスサレントな機能しか説明できない。 これにより、画像分類に依存しない新しいCX戦略を提案する動機となる。 この研究は、GAN(Generative Adversarial Network)に基づく画像と画像のドメインの翻訳の最近の発展にインスパイアされ、異常なイメージを対応する通常の画像(すなわち、偽実例CI)に変換して両者間の不一致マップを見つける。 一般に異常画像対や正規画像対を得ることはできないため、サイクルコンシスタンス原理(サイクルガン)を利用して教師なしの方法で翻訳を行う。 異常画像から加えるとciと区別がつかない不一致マップを用いてcxを定式化する。 本手法は合成,結核,ブラッツの3つのデータセットで評価した。 これらの実験はすべて、正確なCXおよびCIの生成における提案手法の優位性を確認した。

関連論文リスト

• Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
  本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-21T15:41:34Z)
• COIN: Counterfactual inpainting for weakly supervised semantic segmentation for medical images [3.5418498524791766]
  本研究は, 新規なカウンターファクト・インパインティング・アプローチ(COIN)の開発である。 COINは、予測された分類ラベルを生成モデルを用いて異常から正常に反転させる。 本手法の有効性は,エストニアのタルツ大学病院から取得したCT画像から,合成標的と実際の腎腫瘍を分離することによって実証される。
  論文  参考訳（メタデータ） (2024-04-19T12:09:49Z)
• AMAE: Adaptation of Pre-Trained Masked Autoencoder for Dual-Distribution Anomaly Detection in Chest X-Rays [17.91123470181453]
  我々は、事前訓練されたマスク付きオートエンコーダ(MAE)の適応のための2段階アルゴリズムであるAMAEを提案する。 AMAEは、競合する自己監督型および二重分布異常検出法よりも一貫した性能向上をもたらす。
  論文  参考訳（メタデータ） (2023-07-24T12:03:50Z)
• Industrial and Medical Anomaly Detection Through Cycle-Consistent Adversarial Networks [0.6554326244334868]
  産業用および医療用画像に対する新しい異常検出(AD)手法を提案する。 提案手法では,Cycle-Generative Adrial Networks (Cycle-GAN) を用いて正規語から正規語への翻訳を行う。 その結果, 正負の制約をゼロとする精度が, 最先端の手法と比較して高いことがわかった。
  論文  参考訳（メタデータ） (2023-02-10T10:25:12Z)
• Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
  Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
  論文  参考訳（メタデータ） (2022-07-10T06:32:56Z)
• Dual-Distribution Discrepancy for Anomaly Detection in Chest X-Rays [29.57501199670898]
  本稿では, 正規画像とラベルなし画像の両方を利用した新しい手法であるDual-Distribution Disrepancy for Anomaly Detection (DDAD)を提案する。 3つのCXRデータセットの実験により、提案されたDDADが一貫した重要なゲインを達成し、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-08T14:52:27Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• Multi-Label Generalized Zero Shot Learning for the Classification of Disease in Chest Radiographs [0.7734726150561088]
  胸部X線画像の複数の病変を同時に予測できるゼロショット学習ネットワークを提案する。 ネットワークはエンドツーエンドのトレーニングが可能で、オフライン機能抽出器の独立した事前トレーニングは不要である。 我々のネットワークは、リコール、精度、f1スコア、受信機動作特性曲線の領域において、2つの強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2021-07-14T09:04:20Z)
• 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)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Auxiliary Signal-Guided Knowledge Encoder-Decoder for Medical Report Generation [107.3538598876467]
  放射線技師の動作パターンを模倣する補助信号誘導知識デコーダ(ASGK)を提案する。 ASGKは、内的特徴融合と外部医療言語情報を統合して、医療知識の伝達と学習をガイドする。
  論文  参考訳（メタデータ） (2020-06-06T01:00:15Z)

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。