論文の概要: Interpretable Alzheimer's Disease Classification Via a Contrastive Diffusion Autoencoder

• arxiv url: http://arxiv.org/abs/2306.03022v1
• Date: Mon, 5 Jun 2023 16:38:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 13:54:43.435178
• Title: Interpretable Alzheimer's Disease Classification Via a Contrastive Diffusion Autoencoder
• Title（参考訳）: コントラスト拡散オートエンコーダを用いた解釈型アルツハイマー病分類
• Authors: Ayodeji Ijishakin, Ahmed Abdulaal, Adamos Hadjivasiliou, Sophie Martin, James Cole
• Abstract要約: コントラスト損失と拡散オートエンコーダのバックボーンを組み合わせて意味論的に意味のある潜在空間を生成する。 2次元MRI画像のデータセット上で,ブラックボックスアプローチに匹敵する分類精度を実現する。 この研究は、医用画像における正確かつ解釈可能な深層学習の発展に寄与している。
• 参考スコア（独自算出の注目度）: 4.078939858540245
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In visual object classification, humans often justify their choices by comparing objects to prototypical examples within that class. We may therefore increase the interpretability of deep learning models by imbuing them with a similar style of reasoning. In this work, we apply this principle by classifying Alzheimer's Disease based on the similarity of images to training examples within the latent space. We use a contrastive loss combined with a diffusion autoencoder backbone, to produce a semantically meaningful latent space, such that neighbouring latents have similar image-level features. We achieve a classification accuracy comparable to black box approaches on a dataset of 2D MRI images, whilst producing human interpretable model explanations. Therefore, this work stands as a contribution to the pertinent development of accurate and interpretable deep learning within medical imaging.
• Abstract（参考訳）: 視覚オブジェクトの分類において、人間はしばしば、そのクラス内の原型的な例と比較することで、その選択を正当化する。 したがって,類似の推論スタイルを付与することで,深層学習モデルの解釈可能性を高めることができる。 本研究では,画像の類似性に基づくアルツハイマー病の分類を潜在空間での訓練例に適用する。 コントラスト損失と拡散オートエンコーダバックボーンを併用して意味的に有意味な潜在空間を作り、近傍の潜在者が類似した画像レベルの特徴を持つようにする。 2次元mri画像のデータセット上でブラックボックスアプローチに匹敵する分類精度を実現し,人間の解釈可能なモデル記述を生成する。 したがって、この研究は、医用画像における正確かつ解釈可能な深層学習の発展に寄与するものである。

関連論文リスト

• ISImed: A Framework for Self-Supervised Learning using Intrinsic Spatial Information in Medical Images [0.0]
  本稿では,自己監督学習(SSL)を用いて医用画像の解釈可能な表現を学習するために空間情報を利用することを実証する。 我々は、物理的領域における位置をキャプチャ可能な潜在表現を生成する自己教師対象を確立する。 提案手法は,データの基盤構造を捉える表現を効率的に学習し,下流の分類タスクに転送することができることを示す。
  論文  参考訳（メタデータ） (2024-10-22T12:21:39Z)
• Overcoming Dimensional Collapse in Self-supervised Contrastive Learning for Medical Image Segmentation [2.6764957223405657]
  医用画像解析分野へのコントラスト学習の適用について検討する。 以上の結果から,最先端のコントラスト学習手法であるMoCo v2は,医用画像に適用すると次元的崩壊に遭遇することが明らかとなった。 これを解決するために,局所的な特徴学習と特徴デコレーションという2つの重要な貢献を提案する。
  論文  参考訳（メタデータ） (2024-02-22T15:02:13Z)
• MLIP: Enhancing Medical Visual Representation with Divergence Encoder and Knowledge-guided Contrastive Learning [48.97640824497327]
  本稿では、画像テキストのコントラスト学習を通じて、言語情報を視覚領域に統合するための案内信号として、ドメイン固有の医療知識を活用する新しいフレームワークを提案する。 我々のモデルには、設計した分散エンコーダによるグローバルコントラスト学習、局所トークン・知識・パッチアライメントコントラスト学習、知識誘導型カテゴリレベルのコントラスト学習、エキスパートナレッジによるコントラスト学習が含まれる。 特に、MLIPは、限られた注釈付きデータであっても最先端の手法を超越し、医療表現学習の進歩におけるマルチモーダル事前学習の可能性を強調している。
  論文  参考訳（メタデータ） (2024-02-03T05:48:50Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• A Test Statistic Estimation-based Approach for Establishing Self-interpretable CNN-based Binary Classifiers [7.424003880270276]
  ポストホック解釈可能性法は、可算だが異なる解釈を生成できるという限界がある。 提案手法は自己解釈可能で定量的であり,従来のポストホック・インタプリタビリティ法とは異なり,自己解釈可能で定量的である。
  論文  参考訳（メタデータ） (2023-03-13T05:51:35Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Unsupervised Feature Clustering Improves Contrastive Representation Learning for Medical Image Segmentation [18.75543045234889]
  自己監督型インスタンス識別は、特徴表現を学習し、限られた医用画像アノテーションに対処する効果的なコントラスト的前提課題である。 本稿では,教師なし特徴クラスタリングを用いた自己教師付きコントラスト学習手法を提案する。 本手法は,これらの課題に対して,最先端の自己監督型コントラスト技術より優れる。
  論文  参考訳（メタデータ） (2022-11-15T22:54:29Z)
• Stain based contrastive co-training for histopathological image analysis [61.87751502143719]
  本稿では,ヒストリボリューション画像の分類のための,新しい半教師付き学習手法を提案する。 我々は、半教師付き学習フレームワークを作成するために、パッチレベルのアノテーションと、新しいコトレーニング損失を併用した強力な監視を採用する。 透明細胞腎細胞および前立腺癌に対するアプローチを評価し,最先端の半教師あり学習法の改善を実証した。
  論文  参考訳（メタデータ） (2022-06-24T22:25:31Z)
• Categorical Relation-Preserving Contrastive Knowledge Distillation for Medical Image Classification [75.27973258196934]
  そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。 この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。 CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
  論文  参考訳（メタデータ） (2021-07-07T13:56:38Z)
• Going Beyond Saliency Maps: Training Deep Models to Interpret Deep Models [16.218680291606628]
  解釈性は、複雑な深層学習モデルを用いて脳障害の理解を進める上で重要な要素である。 疾患のパターンを注入または除去するために、与えられたイメージを歪めることができるシミュレーターネットワークを訓練することを提案する。 本研究は,アルツハイマー病とアルコール使用障害の影響を可視化するために,合成データセットと2つのニューロイメージングデータセットで訓練された分類器の解釈に応用する。
  論文  参考訳（メタデータ） (2021-02-16T15:57:37Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)

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。