論文の概要: Explainable 2D Vision Models for 3D Medical Data

• arxiv url: http://arxiv.org/abs/2307.06614v1
• Date: Thu, 13 Jul 2023 08:27:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-14 15:39:51.932454
• Title: Explainable 2D Vision Models for 3D Medical Data
• Title（参考訳）: 3次元医療データのための説明可能な2次元視覚モデル
• Authors: Alexander Ziller, Alp G\"uvenir, Ayhan Can Erdur, Tamara T. Mueller, Philip M\"uller, Friederike Jungmann, Johannes Brandt, Jan Peeken, Rickmer Braren, Daniel Rueckert, Georgios Kaissis
• Abstract要約: 三次元画像データに基づく人工知能(AI)モデルのトレーニングは、ユニークな課題を提示する。 本稿では,3次元ボリューム処理のための中間特徴表現を用いた2次元ネットワークの適応手法を提案する。 提案手法により重要と考えられるスライスにより,モデルの予測に基づく検査が可能であることを示す。
• 参考スコア（独自算出の注目度）: 49.761106668525514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training Artificial Intelligence (AI) models on three-dimensional image data presents unique challenges compared to the two-dimensional case: Firstly, the computational resources are significantly higher, and secondly, the availability of large pretraining datasets is often limited, impeding training success. In this study, we propose a simple approach of adapting 2D networks with an intermediate feature representation for processing 3D volumes. Our method involves sequentially applying these networks to slices of a 3D volume from all orientations. Subsequently, a feature reduction module combines the extracted slice features into a single representation, which is then used for classification. We evaluate our approach on medical classification benchmarks and a real-world clinical dataset, demonstrating comparable results to existing methods. Furthermore, by employing attention pooling as a feature reduction module we obtain weighted importance values for each slice during the forward pass. We show that slices deemed important by our approach allow the inspection of the basis of a model's prediction.
• Abstract（参考訳）: 人工知能(ai)モデルを3次元画像データでトレーニングすることは、2次元の場合と比較してユニークな課題である: まず、計算資源は著しく高く、次に、大規模な事前学習データセットの可用性は、しばしば制限され、トレーニングの成功を妨げる。 本研究では,3次元ボリューム処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。 本手法では,これらのネットワークを全方向から3次元ボリュームのスライスに順次適用する。 その後、特徴還元モジュールは抽出したスライス特徴を単一の表現に結合し、分類に使用される。 医療分類ベンチマークと実世界臨床データセットのアプローチを評価し,既存の手法に匹敵する結果を示した。 さらに,注意プーリングを特徴リダクションモジュールとして使用することにより,前方通過時の各スライスに対する重み付き重要度値を得る。 提案手法により重要と考えられるスライスにより,モデルの予測に基づく検査が可能であることを示す。

関連論文リスト

• Cross-D Conv: Cross-Dimensional Transferable Knowledge Base via Fourier Shifting Operation [3.69758875412828]
  クロスD Conv 演算はフーリエ領域における位相シフトを学習することで次元ギャップを橋渡しする。 本手法は2次元と3次元の畳み込み操作間のシームレスな重み移動を可能にする。
  論文  参考訳（メタデータ） (2024-11-02T13:03:44Z)
• Deep Convolutional Neural Networks on Multiclass Classification of Three-Dimensional Brain Images for Parkinson's Disease Stage Prediction [2.931680194227131]
  パーキンソン病の病期を正確に予測できるモデルを開発した。 我々は3次元脳画像全体を入力として使用した。 予測過程において,異なるスライスの重要性を考慮に入れた注意機構を組み込んだ。
  論文  参考訳（メタデータ） (2024-10-31T05:40:08Z)
• Semi-supervised 3D Semantic Scene Completion with 2D Vision Foundation Model Guidance [11.090775523892074]
  我々は、高密度な注釈付きデータへの依存を軽減するために、新しい半教師付きフレームワークを導入する。 提案手法は2次元基礎モデルを用いて3次元シーンの幾何学的・意味的手がかりを生成する。 本手法は,10%のラベル付きデータを用いて全教師付き性能の最大85%を達成する。
  論文  参考訳（メタデータ） (2024-08-21T12:13:18Z)
• Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
  本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。 一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
  論文  参考訳（メタデータ） (2024-06-17T07:43:53Z)
• Deep Generative Models on 3D Representations: A Survey [81.73385191402419]
  生成モデルは、新しいインスタンスを生成することによって観測データの分布を学習することを目的としている。 最近、研究者は焦点を2Dから3Dにシフトし始めた。 3Dデータの表現は、非常に大きな課題をもたらします。
  論文  参考訳（メタデータ） (2022-10-27T17:59:50Z)
• RiCS: A 2D Self-Occlusion Map for Harmonizing Volumetric Objects [68.85305626324694]
  カメラ空間における光マーチング (RiCS) は、3次元における前景物体の自己閉塞を2次元の自己閉塞マップに表現する新しい手法である。 表現マップは画像の質を高めるだけでなく,時間的コヒーレントな複雑な影効果をモデル化できることを示す。
  論文  参考訳（メタデータ） (2022-05-14T05:35:35Z)
• Super Images -- A New 2D Perspective on 3D Medical Imaging Analysis [0.0]
  トレーニング中に3次元知識を効率的に埋め込んで3次元データを扱うための,シンプルで効果的な2次元手法を提案する。 本手法は3次元画像にスライスを並べて超高分解能画像を生成する。 2次元ネットワークのみを利用した3次元ネットワークを実現する一方で、モデルの複雑さはおよそ3倍に減少する。
  論文  参考訳（メタデータ） (2022-05-05T09:59:03Z)
• Cascaded deep monocular 3D human pose estimation with evolutionary training data [76.3478675752847]
  深層表現学習は単眼の3次元ポーズ推定において顕著な精度を達成した。 本稿では,大量のトレーニングデータに対してスケーラブルな新しいデータ拡張手法を提案する。 本手法は,先行知識に触発された階層的人体表現と合成に基づいて,未知の3次元人体骨格を合成する。
  論文  参考訳（メタデータ） (2020-06-14T03:09:52Z)
• Weakly-Supervised 3D Human Pose Learning via Multi-view Images in the Wild [101.70320427145388]
  本稿では、3Dアノテーションを必要としない弱教師付きアプローチを提案し、ラベルのないマルチビューデータから3Dポーズを推定する。 提案手法を2つの大規模データセット上で評価する。
  論文  参考訳（メタデータ） (2020-03-17T08:47:16Z)

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。