論文の概要: Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework
for Breast Cancer Detection and Segmentation
- arxiv url: http://arxiv.org/abs/2308.14213v1
- Date: Sun, 27 Aug 2023 22:07:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 16:17:17.683040
- Title: Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework
for Breast Cancer Detection and Segmentation
- Title(参考訳): 乳がん検出・分節のためのマルチタスクフレームワークにおけるBI-RADSディスクリプタのホック後説明可能性
- Authors: Mohammad Karimzadeh, Aleksandar Vakanski, Min Xian, Boyu Zhang
- Abstract要約: MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。
放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
- 参考スコア(独自算出の注目度): 48.08423125835335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite recent medical advancements, breast cancer remains one of the most
prevalent and deadly diseases among women. Although machine learning-based
Computer-Aided Diagnosis (CAD) systems have shown potential to assist
radiologists in analyzing medical images, the opaque nature of the
best-performing CAD systems has raised concerns about their trustworthiness and
interpretability. This paper proposes MT-BI-RADS, a novel explainable deep
learning approach for tumor detection in Breast Ultrasound (BUS) images. The
approach offers three levels of explanations to enable radiologists to
comprehend the decision-making process in predicting tumor malignancy. Firstly,
the proposed model outputs the BI-RADS categories used for BUS image analysis
by radiologists. Secondly, the model employs multi-task learning to
concurrently segment regions in images that correspond to tumors. Thirdly, the
proposed approach outputs quantified contributions of each BI-RADS descriptor
toward predicting the benign or malignant class using post-hoc explanations
with Shapley Values.
- Abstract(参考訳): 近年の医学的進歩にもかかわらず、乳がんは女性の中で最も一般的で致命的な疾患の1つである。
機械学習に基づくコンピュータ支援診断システム(CAD)は, 医用画像解析において放射線技師を支援する可能性を示しているが, 最良のCADシステムの不透明な性質は, 信頼性と解釈可能性に関する懸念を提起している。
本稿では,乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法MT-BI-RADSを提案する。
このアプローチは、放射線科医が腫瘍悪性腫瘍の予測における意思決定過程を理解するための3段階の説明を提供する。
まず,BUS画像解析に用いるBI-RADSカテゴリを,放射線技師により出力する。
第二に、マルチタスク学習を用いて腫瘍に対応する画像の領域を同時分割する。
第3に,提案手法は,シェープリー値を用いたポストホックな説明を用いて,良性または悪性のクラスを予測するためのbi-radディスクリプタの定量化コントリビューションを出力する。
関連論文リスト
- Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。
提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
論文 参考訳(メタデータ) (2022-09-28T10:27:10Z) - Metastatic Cancer Outcome Prediction with Injective Multiple Instance
Pooling [1.0965065178451103]
我々は2つの公開データセットを処理し、転移性癌の予後予測を研究するために合計341人のベンチマークコホートを設定した。
結果予測に適した2つのインジェクティブ複数インスタンスプーリング関数を提案する。
本研究は, 肺がん非小細胞癌における複数症例の学習が, 頭頸部CT結果予測ベンチマークの課題において, 最先端のパフォーマンスを達成できることを示唆するものである。
論文 参考訳(メタデータ) (2022-03-09T16:58:03Z) - 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) - MAG-Net: Mutli-task attention guided network for brain tumor
segmentation and classification [0.9176056742068814]
本稿では,MRI画像を用いて脳腫瘍領域の分類と分類を行うマルチタスク注意誘導エンコーダネットワーク(MAG-Net)を提案する。
このモデルは既存の最先端モデルと比較して有望な結果を得た。
論文 参考訳(メタデータ) (2021-07-26T16:51:00Z) - Act Like a Radiologist: Towards Reliable Multi-view Correspondence
Reasoning for Mammogram Mass Detection [49.14070210387509]
マンモグラム質量検出のための解剖学的グラフ畳み込みネットワーク(AGN)を提案する。
AGNはマンモグラムの質量検出用に調整されており、既存の検出手法を多視点推論能力で実現している。
2つの標準ベンチマークの実験によると、AGNは最先端のパフォーマンスを大幅に上回っている。
論文 参考訳(メタデータ) (2021-05-21T06:48:34Z) - ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image
Segmentation [0.0]
本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。
ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
論文 参考訳(メタデータ) (2020-09-27T16:42:59Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
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。