論文の概要: GazeGNN: A Gaze-Guided Graph Neural Network for Disease Classification
- arxiv url: http://arxiv.org/abs/2305.18221v1
- Date: Mon, 29 May 2023 17:01:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 14:01:54.582498
- Title: GazeGNN: A Gaze-Guided Graph Neural Network for Disease Classification
- Title(参考訳): GazeGNN: 疾患分類のためのゲイズガイド付きグラフニューラルネットワーク
- Authors: Bin Wang, Hongyi Pan, Armstrong Aboah, Zheyuan Zhang, Ahmet Cetin,
Drew Torigian, Baris Turkbey, Elizabeth Krupinski, Jayaram Udupa, Ulas Bagci
- Abstract要約: 医用スキャンから疾患分類を行うための新しいGNNであるGazeGNNを提案する。
リアルタイム, リアルタイム, エンド・ツー・エンドの病気分類アルゴリズムを初めて開発した。
- 参考スコア(独自算出の注目度): 10.441005653594472
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The application of eye-tracking techniques in medical image analysis has
become increasingly popular in recent years. It collects the visual search
patterns of the domain experts, containing much important information about
health and disease. Therefore, how to efficiently integrate radiologists' gaze
patterns into the diagnostic analysis turns into a critical question. Existing
works usually transform gaze information into visual attention maps (VAMs) to
supervise the learning process. However, this time-consuming procedure makes it
difficult to develop end-to-end algorithms. In this work, we propose a novel
gaze-guided graph neural network (GNN), GazeGNN, to perform disease
classification from medical scans. In GazeGNN, we create a unified
representation graph that models both the image and gaze pattern information.
Hence, the eye-gaze information is directly utilized without being converted
into VAMs. With this benefit, we develop a real-time, real-world, end-to-end
disease classification algorithm for the first time and avoid the noise and
time consumption introduced during the VAM preparation. To our best knowledge,
GazeGNN is the first work that adopts GNN to integrate image and eye-gaze data.
Our experiments on the public chest X-ray dataset show that our proposed method
exhibits the best classification performance compared to existing methods.
- Abstract(参考訳): 近年, 医用画像解析における視線追跡技術の応用が注目されている。
ドメインの専門家のビジュアル検索パターンを収集し、健康や病気に関する重要な情報を含んでいる。
したがって、放射線医の視線パターンを診断分析に効率的に統合する方法は、重要な問題となる。
既存の作品は通常、視線情報を視覚的注意マップ(VAM)に変換して学習過程を監督する。
しかし、この時間を要する手順はエンドツーエンドアルゴリズムの開発を困難にしている。
本研究では,医療用スキャンから疾患分類を行うための,新しい視線誘導グラフニューラルネットワーク(gnn)であるgazngnnを提案する。
GazeGNNでは、画像と視線の両方のパターン情報をモデル化する統一表現グラフを作成します。
これにより、視線情報をVAMに変換することなく直接利用することができる。
この利点を活かし,vam準備中に導入されるノイズや時間消費を回避し,リアルタイム,リアルタイム,エンドツーエンドの疾患分類アルゴリズムを初めて開発する。
われわれの知る限り、GazeGNNはGNNを採用して画像と視線データを統合した最初の作品だ。
胸部X線データを用いた実験により,提案手法は既存手法と比較して最も優れた分類性能を示した。
関連論文リスト
- GazeSearch: Radiology Findings Search Benchmark [9.21918773048464]
医用アイトラッキングデータは、放射線医が医療画像をどのように視覚的に解釈するかを理解するための重要な情報源である。
現在の視線追跡データは分散され、処理されず、曖昧であり、意味のある洞察を導き出すことが困難である。
本研究では,目標となる視覚探索課題に触発された改良手法を提案する。
論文 参考訳(メタデータ) (2024-11-08T18:47:08Z) - GEM: Context-Aware Gaze EstiMation with Visual Search Behavior Matching for Chest Radiograph [32.1234295417225]
本稿では,放射線科医が収集した視線データを用いて視覚的な探索行動パターンをシミュレートする,文脈対応型Gaze EstiMation (GEM) ネットワークを提案する。
コンテキスト認識モジュール、視覚行動グラフ構築、視覚行動マッチングで構成される。
4つの公開データセットの実験は、既存の方法よりもGEMの方が優れていることを示している。
論文 参考訳(メタデータ) (2024-08-10T09:46:25Z) - Gaze-directed Vision GNN for Mitigating Shortcut Learning in Medical Image [6.31072075551707]
GD-ViG(GD-ViG)と呼ばれる新しい視線指向ビジョンGNNを提案し,放射線科医の視覚パターンを専門知識として活用する。
2つの公開医療画像データセットの実験は、GD-ViGが最先端の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) (2024-06-20T07:16:41Z) - Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。
脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。
本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
論文 参考訳(メタデータ) (2024-06-01T02:47:39Z) - A Survey on Graph Neural Networks and Graph Transformers in Computer Vision: A Task-Oriented Perspective [71.03621840455754]
グラフニューラルネットワーク(GNN)はグラフ表現学習において勢いを増している。
Graph Transformerは、グラフ構造をTransformerアーキテクチャに組み込んで、局所的な近傍集約の制限を克服します。
本稿では,タスク指向の観点から,コンピュータビジョンにおけるGNNとグラフトランスフォーマーの総合的なレビューを行う。
論文 参考訳(メタデータ) (2022-09-27T08:10:14Z) - A Deep Learning Approach for the Segmentation of Electroencephalography
Data in Eye Tracking Applications [56.458448869572294]
脳波データの時系列セグメンテーションのための新しいフレームワークDETRtimeを紹介する。
エンドツーエンドのディープラーニングベースのフレームワークは、コンピュータビジョンの進歩を前面に立たせています。
我々のモデルは脳波睡眠ステージセグメンテーションのタスクにおいてよく一般化される。
論文 参考訳(メタデータ) (2022-06-17T10:17:24Z) - Rectify ViT Shortcut Learning by Visual Saliency [40.55418820114868]
ショートカット学習は一般的だが、ディープラーニングモデルには有害である。
本研究では,ショートカット学習の精度向上を目的とした,新規かつ効果的なサリエンシ誘導型視覚変換器(SGT)モデルを提案する。
論文 参考訳(メタデータ) (2022-06-17T05:54:07Z) - Evidential Temporal-aware Graph-based Social Event Detection via
Dempster-Shafer Theory [76.4580340399321]
ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。
ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。
ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
論文 参考訳(メタデータ) (2022-05-24T16:22:40Z) - Follow My Eye: Using Gaze to Supervise Computer-Aided Diagnosis [54.60796004113496]
医用画像を読む放射線科医の眼球運動は,DNNベースのコンピュータ支援診断システム(CAD)を訓練するための新たな指導形態であることが実証された。
画像を読んでいるときに、放射線科医の視線を記録します。
視線情報は処理され、アテンション一貫性モジュールを介してDNNの注意を監督するために使用される。
論文 参考訳(メタデータ) (2022-04-06T08:31:05Z) - Node Masking: Making Graph Neural Networks Generalize and Scale Better [71.51292866945471]
グラフニューラルネットワーク(GNN)は近年,多くの関心を集めている。
本稿では,芸術空間のGNNの状態によって実行される操作をよりよく可視化するために,いくつかの理論ツールを利用する。
私たちはNode Maskingというシンプルなコンセプトを導入しました。
論文 参考訳(メタデータ) (2020-01-17T06:26:40Z)
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。