論文の概要: Explainable Artificial Intelligence Architecture for Melanoma Diagnosis Using Indicator Localization and Self-Supervised Learning

• arxiv url: http://arxiv.org/abs/2303.14615v1
• Date: Sun, 26 Mar 2023 03:43:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 18:38:11.155416
• Title: Explainable Artificial Intelligence Architecture for Melanoma Diagnosis Using Indicator Localization and Self-Supervised Learning
• Title（参考訳）: Indicator Localization と Self-Supervised Learning を用いたメラノーマ診断のための説明可能な人工知能アーキテクチャ
• Authors: Ruitong Sun, Mohammad Rostami
• Abstract要約: メラノーマ(Melanoma)は、発育初期の診断で治療可能な致死性のがんである。 深層学習は、皮膚病変画像を高精度に分類するソリューションとして使用できる。 臨床的に解釈可能な視覚的説明を生成するメラノーマ診断のための説明可能なディープラーニングアーキテクチャを開発した。
• 参考スコア（独自算出の注目度）: 12.013345715187285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Melanoma is a prevalent lethal type of cancer that is treatable if diagnosed at early stages of development. Skin lesions are a typical indicator for diagnosing melanoma but they often led to delayed diagnosis due to high similarities of cancerous and benign lesions at early stages of melanoma. Deep learning (DL) can be used as a solution to classify skin lesion pictures with a high accuracy, but clinical adoption of deep learning faces a significant challenge. The reason is that the decision processes of deep learning models are often uninterpretable which makes them black boxes that are challenging to trust. We develop an explainable deep learning architecture for melanoma diagnosis which generates clinically interpretable visual explanations for its decisions. Our experiments demonstrate that our proposed architectures matches clinical explanations significantly better than existing architectures.
• Abstract（参考訳）: メラノーマ(Melanoma)は、発育初期の診断で治療可能な致死性のがんである。 皮膚病変は悪性黒色腫の診断の典型的な指標であるが,早期の悪性黒色腫と良性黒色腫の類似性が高いため診断が遅れることも多い。 深層学習(DL)は皮膚病変の画像を高精度に分類するためのソリューションとして用いられるが、深層学習の臨床応用は大きな課題に直面している。 その理由は、ディープラーニングモデルの意思決定プロセスは、しばしば解釈できないため、信頼が難しいブラックボックスになるからです。 メラノーマ診断のための説明可能な深層学習アーキテクチャを開発し,その決定に対して臨床的に解釈可能な視覚的な説明を生成する。 提案するアーキテクチャは,既存のアーキテクチャよりも臨床的説明に極めてよく適合していることを示す。

関連論文リスト

• SkinGEN: an Explainable Dermatology Diagnosis-to-Generation Framework with Interactive Vision-Language Models [52.90397538472582]
  SkinGENは、VLMが提供する診断結果から参照デモを生成する、診断から生成までのフレームワークである。 システム性能と説明可能性の両方を評価するために,32人の参加者によるユーザスタディを実施している。 その結果、SkinGENはVLM予測に対するユーザの理解を著しく改善し、診断プロセスへの信頼を高めることが示されている。
  論文  参考訳（メタデータ） (2024-04-23T05:36:33Z)
• Expert Uncertainty and Severity Aware Chest X-Ray Classification by Multi-Relationship Graph Learning [48.29204631769816]
  我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。 以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-09-06T19:19:41Z)
• Application of Machine Learning in Melanoma Detection and the Identification of 'Ugly Duckling' and Suspicious Naevi: A Review [0.45545745874600063]
  メラノーマをモニターする際、「Ugly Duckling Naevus」が登場し、特徴的な特徴を持つ病変を指す。 コンピュータ支援診断 (CAD) は, 研究開発において重要な役割を担っている。 本稿では,メラノーマと疑わしいナエビを検出するための最新の機械学習およびディープラーニングアルゴリズムについて概説する。
  論文  参考訳（メタデータ） (2023-09-01T05:50:47Z)
• Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images [52.527733226555206]
  複数のインスタンス学習モデルを説明するための4つの属性法について検討する。 急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。 我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
  論文  参考訳（メタデータ） (2023-03-15T14:00:11Z)
• Early Melanoma Diagnosis with Sequential Dermoscopic Images [10.487636624052564]
  悪性黒色腫早期診断のための既存のアルゴリズムは、病変の単一のタイムポイント画像を用いて開発されている。 そこで本研究では,皮膚内視鏡画像を用いた早期メラノーマ診断のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-12T13:05:41Z)
• 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)
• 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)
• Melatect: A Machine Learning Model Approach For Identifying Malignant Melanoma in Skin Growths [0.0]
  悪性黒色腫(英: Malignant melanoma)は、転移前に悪性黒色腫が元の部位から離れた臓器で発生する一般的な皮膚がんである。 本稿では悪性黒色腫を同定する機械学習モデルであるMelatectを提案する。
  論文  参考訳（メタデータ） (2021-09-07T20:05:08Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• Knowledge-aware Deep Framework for Collaborative Skin Lesion Segmentation and Melanoma Recognition [34.59452639480664]
  メラノーマ診断は、有用な皮膚科臨床知識を学習プロセスに組み込むことが困難であるため、依然として難しい課題である。 本稿では,2つの重要なメラノーマ診断タスクの協調学習に臨床知識を取り入れた新しい知識認識深層フレームワークを提案する。 2つの公開皮膚病変データセットの実験結果から,メラノーマ解析法の有効性が示された。
  論文  参考訳（メタデータ） (2021-06-07T09:33:45Z)
• An Attention-based Weakly Supervised framework for Spitzoid Melanocytic Lesion Diagnosis in WSI [1.0948946179065253]
  メラノーマは皮膚がんによる死の大半の原因となる攻撃的な腫瘍である。 診断と予後のための金の基準は、皮膚生検の分析である。 改良型畳み込みニューラルネットワーク(CNN)を用いた誘導伝達学習に基づく,エンドツーエンドの弱い教師付き深層学習モデルを提案する。 本フレームワークは、腫瘍パッチレベルパターンの発見を担当するソースモデルと、生検の特定診断に焦点を当てたターゲットモデルとから構成される。
  論文  参考訳（メタデータ） (2021-04-20T10:18:57Z)

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。