論文の概要: Dermatological Diagnosis Explainability Benchmark for Convolutional
Neural Networks
- arxiv url: http://arxiv.org/abs/2302.12084v1
- Date: Thu, 23 Feb 2023 15:16:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-24 14:49:21.999457
- Title: Dermatological Diagnosis Explainability Benchmark for Convolutional
Neural Networks
- Title（参考訳）: 畳み込みニューラルネットワークのための皮膚科診断説明可能性ベンチマーク
- Authors: Raluca Jalaboi, Ole Winther, Alfiia Galimzianova
- Abstract要約: 畳み込みニューラルネットワーク(ConvNets)は、医療画像において最も一般的な(DL)手法である。
ConvNetの決定メカニズムに関する洞察を得るための一般的な方法は、勾配クラス活性化マップ(Grad-CAM)である。
我々は,このタスクに最もよく使用されるConvNetアーキテクチャを特定し,それらのGrad-CAM説明とDermXDBが提供する説明マップを比較した。
- 参考スコア（独自算出の注目度）: 8.772468575761366
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, large strides have been taken in developing machine learning
methods for dermatological applications, supported in part by the success of
deep learning (DL). To date, diagnosing diseases from images is one of the most
explored applications of DL within dermatology. Convolutional neural networks
(ConvNets) are the most common (DL) method in medical imaging due to their
training efficiency and accuracy, although they are often described as black
boxes because of their limited explainability. One popular way to obtain
insight into a ConvNet's decision mechanism is gradient class activation maps
(Grad-CAM). A quantitative evaluation of the Grad-CAM explainability has been
recently made possible by the release of DermXDB, a skin disease diagnosis
explainability dataset which enables explainability benchmarking of ConvNet
architectures. In this paper, we perform a literature review to identify the
most common ConvNet architectures used for this task, and compare their
Grad-CAM explanations with the explanation maps provided by DermXDB. We
identified 11 architectures: DenseNet121, EfficientNet-B0, InceptionV3,
InceptionResNetV2, MobileNet, MobileNetV2, NASNetMobile, ResNet50, ResNet50V2,
VGG16, and Xception. We pre-trained all architectures on an clinical skin
disease dataset, and fine-tuned them on a DermXDB subset. Validation results on
the DermXDB holdout subset show an explainability F1 score of between
0.35-0.46, with Xception displaying the highest explainability performance.
NASNetMobile reports the highest characteristic-level explainability
sensitivity, despite it's mediocre diagnosis performance. These results
highlight the importance of choosing the right architecture for the desired
application and target market, underline need for additional explainability
datasets, and further confirm the need for explainability benchmarking that
relies on quantitative analyses.
- Abstract（参考訳）: 近年, 深層学習(DL)の成功に支えられて, 皮膚科応用のための機械学習手法の開発に大きく進展している。
現在までに、画像から病気を診断することは、皮膚科におけるDLの最も検討された応用の1つである。
畳み込みニューラルネットワーク(ConvNets)は、訓練効率と精度から医療画像において最も一般的な(DL)手法であるが、説明可能性の限界からブラックボックスと呼ばれることが多い。
ConvNetの決定メカニズムに関する洞察を得るための一般的な方法は、勾配クラスアクティベーションマップ(Grad-CAM)である。
Grad-CAM説明可能性の定量的評価は、ConvNetアーキテクチャの説明可能性ベンチマークを可能にする皮膚疾患診断説明可能性データセットであるDermXDBのリリースによって、最近可能になった。
本稿では,このタスクで使用される最も一般的なConvNetアーキテクチャを特定し,それらのGrad-CAM説明とDermXDBが提供する説明マップを比較した。
DenseNet121、EfficientNet-B0、InceptionV3、InceptionResNetV2、MobileNet、MobileNetV2、NASNetMobile、ResNet50、ResNet50V2、VGG16、Xceptionの11のアーキテクチャを特定した。
臨床皮膚疾患データセット上のすべてのアーキテクチャを事前トレーニングし,dermxdbサブセットで微調整した。
DermXDBホールトアウトサブセットの検証結果は、説明可能性F1スコアが0.35-0.46であり、Xceptionは最も高い説明可能性を示す。
nasnetmobileは、中途半端な診断性能にもかかわらず、最も特性レベルの説明感度が高いと報告しています。
これらの結果は、望まれるアプリケーションとターゲット市場に適したアーキテクチャを選択することの重要性、追加の説明可能性データセットの必要性、さらに定量的分析に依存する説明可能性ベンチマークの必要性を裏付けるものである。
関連論文リスト
- A Tutorial on Explainable Image Classification for Dementia Stages Using Convolutional Neural Network and Gradient-weighted Class Activation Mapping [0.0]
本稿では、畳み込みニューラルネットワーク(CNN)とグラディエント重み付きクラス活性化マッピング(Grad-CAM)を用いて、4つの進行性認知症ステージをオープンMRI脳画像に基づいて分類する。
提案したCNNアーキテクチャは、テストデータセットの99%以上の精度を実現する。
Grad-CAMに基づく可視化は、非常に高精度な説明を試みており、医師に有用な情報を提供する可能性がある。
論文 参考訳（メタデータ） (2024-08-20T06:23:20Z) - Benchmarking Deep Learning Frameworks for Automated Diagnosis of Ocular
Toxoplasmosis: A Comprehensive Approach to Classification and Segmentation [1.3701366534590498]
眼トキソプラズマ症(Ocular Toxoplasmosis,OT)は、眼疾患を引き起こすT. gondiiによって引き起こされる一般的な眼感染症である。
本研究は、DL技術を活用し、安価で自動化され、使いやすく、正確な診断方法を開発しようとしている将来の研究者のためのガイドを提供する。
論文 参考訳（メタデータ） (2023-05-18T13:42:15Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳（メタデータ） (2023-01-01T12:48:12Z) - ADVISE: ADaptive Feature Relevance and VISual Explanations for
Convolutional Neural Networks [0.745554610293091]
本稿では,機能マップの各ユニットの関連性を定量化し,活用して視覚的説明を提供する新しい説明可能性手法であるADVISEを紹介する。
我々は、画像分類タスクにおいて、AlexNet、VGG16、ResNet50、XceptionをImageNetで事前訓練した上で、我々のアイデアを広く評価する。
さらに,ADVISEは衛生チェックをパスしながら,感度および実装独立性公理を満たすことを示す。
論文 参考訳（メタデータ） (2022-03-02T18:16:57Z) - Improving Interpretability of Deep Neural Networks in Medical Diagnosis
by Investigating the Individual Units [24.761080054980713]
入力画像における重要な要素を可視化することにより,最近の帰属技術の有効性を実証し,診断の意思決定を説明する。
アンマキングマシンインテリジェンスの分析は、診断決定における説明可能性の必要性を示している。
論文 参考訳（メタデータ） (2021-07-19T11:49:31Z) - Learning Efficient, Explainable and Discriminative Representations for
Pulmonary Nodules Classification [2.4565395352560895]
本研究では,効率的かつ(部分的に)説明可能な分類モデルの構築を目指す。
我々は,3次元ネットワークアーキテクチャを高精度かつ高速なトレードオフで自動検索するために,ニューロンアーキテクチャサーチ(NAS)を用いる。
推論段階では、予測精度とロバスト性を改善するために、多様なニューラルネットワークのアンサンブルを用いる。
論文 参考訳（メタデータ） (2021-01-19T02:53:44Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - XCM: An Explainable Convolutional Neural Network for Multivariate Time
Series Classification [64.41621835517189]
MTS分類のためのeXplainable Convolutional Neural NetworkであるXCMを提案する。
XCMは、新しいコンパクト畳み込みニューラルネットワークであり、入力データから直接、観測された変数と時間に関する情報を抽出する。
最初に、XCMは、大小のパブリックUEAデータセットにおいて最先端のMSS分類器よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-09-10T11:55:53Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳（メタデータ） (2020-06-25T12:42:01Z)
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。