論文の概要: Explainable Techniques for Analyzing Flow Cytometry Cell Transformers
- arxiv url: http://arxiv.org/abs/2307.14581v1
- Date: Thu, 27 Jul 2023 02:03:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-28 16:10:41.297303
- Title: Explainable Techniques for Analyzing Flow Cytometry Cell Transformers
- Title（参考訳）: フローサイトメトリーセルトランス解析のための説明可能な技術
- Authors: Florian Kowarsch, Lisa Weijler, FLorian Kleber, Matthias W\"odlinger,
Michael Reiter, Margarita Maurer-Granofszky, Michael Dworzak
- Abstract要約: 我々は、注意の可視化を容易にするReluFormerと呼ばれるトランスフォーマーアーキテクチャの使用法を評価する。
本稿では,Flow CytoMetry(FCM)データに適した勾配と注意に基づく可視化手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Explainability for Deep Learning Models is especially important for clinical
applications, where decisions of automated systems have far-reaching
consequences.
While various post-hoc explainable methods, such as attention visualization
and saliency maps, already exist for common data modalities, including natural
language and images, little work has been done to adapt them to the modality of
Flow CytoMetry (FCM) data.
In this work, we evaluate the usage of a transformer architecture called
ReluFormer that ease attention visualization as well as we propose a gradient-
and an attention-based visualization technique tailored for FCM. We
qualitatively evaluate the visualization techniques for cell classification and
polygon regression on pediatric Acute Lymphoblastic Leukemia (ALL) FCM samples.
The results outline the model's decision process and demonstrate how to utilize
the proposed techniques to inspect the trained model. The gradient-based
visualization not only identifies cells that are most significant for a
particular prediction but also indicates the directions in the FCM feature
space in which changes have the most impact on the prediction. The attention
visualization provides insights on the transformer's decision process when
handling FCM data. We show that different attention heads specialize by
attending to different biologically meaningful sub-populations in the data,
even though the model retrieved solely supervised binary classification signals
during training.
- Abstract（参考訳）: ディープラーニングモデルの説明性は、自動システムの決定が広範囲にわたる結果をもたらす臨床応用において、特に重要である。
注目の可視化やサリエンシマップなど,さまざまなポストホックな説明可能な手法が,自然言語や画像などの共通データモダリティに対してすでに存在するが,フローサイトメトリー(FCM)データのモダリティに適応するための作業はほとんど行われていない。
本研究では,注目の可視化を容易にするReluFormerと呼ばれるトランスフォーマーアーキテクチャの利用状況を評価するとともに,FCMに適したグラデーションと注目に基づく可視化手法を提案する。
小児急性リンパ性白血病(all)fcm検体における細胞分類とポリゴン回帰の可視化技術について定量的に評価した。
その結果,モデルの意思決定過程を概説し,提案手法を用いてモデルを検証する方法を示す。
勾配に基づく可視化は、特定の予測に最も重要な細胞を特定するだけでなく、fcm特徴空間における変化が予測に最も影響を及ぼす方向を示す。
注意可視化は、FCMデータを扱う際の変換器の決定過程に関する洞察を提供する。
学習中に二分分類信号のみを収集したモデルであっても, 異なる注意ヘッドは, 異なる生物学的に有意義なサブ人口に適応することで, 特殊化できることを示した。
関連論文リスト
- CoTCoNet: An Optimized Coupled Transformer-Convolutional Network with an Adaptive Graph Reconstruction for Leukemia Detection [0.3573481101204926]
白血病の分類のためのCoTCoNet(Coupled Transformer Convolutional Network)フレームワークを提案する。
我々のフレームワークは、包括的グローバル特徴とスケーラブルな空間パターンを捉え、複雑で大規模な血液学的特徴の同定を可能にする。
それぞれ0.9894と0.9893のF1スコアレートを達成している。
論文 参考訳（メタデータ） (2024-10-11T13:31:28Z) - Integrating Clinical Knowledge into Concept Bottleneck Models [18.26357481872999]
概念ボトルネックモデル(CBM)は最終出力を予測する前に人間の解釈可能な概念を予測する。
臨床知識の統合によるCBMの洗練, 臨床医の意思決定プロセスとの整合性の向上を提案する。
医療画像の2つのデータセット(白血球と皮膚画像)にアプローチを検証した。
論文 参考訳（メタデータ） (2024-07-09T07:03:42Z) - Improved EATFormer: A Vision Transformer for Medical Image Classification [0.0]
本稿では,ビジョントランスフォーマを用いた医用画像分類のための改良されたアルゴリズムベースのトランスフォーマアーキテクチャを提案する。
提案したEATFormerアーキテクチャは、畳み込みニューラルネットワークとビジョントランスフォーマーの長所を組み合わせたものだ。
Chest X-rayデータセットとKvasirデータセットの実験結果から,提案したEATFormerはベースラインモデルと比較して予測速度と精度を大幅に向上することが示された。
論文 参考訳（メタデータ） (2024-03-19T21:40:20Z) - Orientation-Shared Convolution Representation for CT Metal Artifact
Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文 参考訳（メタデータ） (2022-12-26T13:56:12Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - Enforcing Morphological Information in Fully Convolutional Networks to
Improve Cell Instance Segmentation in Fluorescence Microscopy Images [1.408123603417833]
本稿では,よく知られたU-Netアーキテクチャに基づく新しいセルインスタンス分割手法を提案する。
深部距離変換器(DDT)がバックボーンモデルとして機能する。
その結果,従来のU-Netアーキテクチャよりも性能が向上することが示唆された。
論文 参考訳（メタデータ） (2021-06-10T15:54:38Z) - About Explicit Variance Minimization: Training Neural Networks for
Medical Imaging With Limited Data Annotations [2.3204178451683264]
VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。
多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
論文 参考訳（メタデータ） (2021-05-28T21:34:04Z) - Domain Shift in Computer Vision models for MRI data analysis: An
Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。
しかし、現在臨床応用はごくわずかである。
異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文 参考訳（メタデータ） (2020-10-14T16:34:21Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳（メタデータ） (2020-04-03T14:07:41Z)
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。