論文の概要: An explainable three dimension framework to uncover learning patterns: A unified look in variable sulci recognition

• arxiv url: http://arxiv.org/abs/2309.00903v2
• Date: Thu, 21 Mar 2024 15:12:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-22 20:19:41.801161
• Title: An explainable three dimension framework to uncover learning patterns: A unified look in variable sulci recognition
• Title（参考訳）: 学習パターンを明らかにするための説明可能な3次元フレームワーク
• Authors: Michail Mamalakis, Heloise de Vareilles, Atheer AI-Manea, Samantha C. Mitchell, Ingrid Arartz, Lynn Egeland Morch-Johnsen, Jane Garrison, Jon Simons, Pietro Lio, John Suckling, Graham Murray,
• Abstract要約: そこで本研究では,深層学習ネットワークの出力を検証するための3次元説明可能性フレームワークを提案する。 挑戦的なTOP-OSLOデータセットを用いて、2つの高度な3Dディープラーニングネットワークをトレーニングし、テストした。 提案するフレームワークは、変数のsulcusに注釈を付けるだけでなく、隠されたAI知識も発見し、脳の解剖学と機能に関する理解を深めることを約束する。
• 参考スコア（独自算出の注目度）: 2.960322639147262
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Explainable AI is crucial in medical imaging. In the challenging field of neuroscience, visual topics present a high level of complexity, particularly within three-dimensional space. The application of neuroscience, which involves identifying brain sulcal features from MRI, faces significant hurdles due to varying annotation protocols among experts and the intricate three-dimension functionality of the brain. Consequently, traditional explainability approaches fall short in effectively validating and evaluating these networks. To address this, we first present a mathematical formulation delineating various categories of explanation needs across diverse computer vision tasks, categorized into self-explanatory, semi-explanatory, non-explanatory, and new-pattern learning applications based on the reliability of the validation protocol. With respect to this mathematical formulation, we propose a 3D explainability framework aimed at validating the outputs of deep learning networks in detecting the paracingulate sulcus an essential brain anatomical feature. The framework integrates local 3D explanations, global explanations through dimensionality reduction, concatenated global explanations, and statistical shape features, unveiling new insights into pattern learning. We trained and tested two advanced 3D deep learning networks on the challenging TOP-OSLO dataset, significantly improving sulcus detection accuracy, particularly on the left hemisphere. During evaluation with diverse annotation protocols for this dataset, we highlighted the crucial role of an unbiased annotation process in achieving precise predictions and effective pattern learning within our proposed 3D framework. The proposed framework not only annotates the variable sulcus but also uncovers hidden AI knowledge, promising to advance our understanding of brain anatomy and function.
• Abstract（参考訳）: 説明可能なAIは医療画像に不可欠である。 神経科学の挑戦的な分野において、視覚的なトピックは特に3次元空間内で高いレベルの複雑さを示す。 脳のsulcal特徴をMRIから特定する神経科学の応用は、専門家の間での様々なアノテーションプロトコルや脳の複雑な3次元機能によって、大きなハードルに直面している。 その結果、従来の説明可能性アプローチはこれらのネットワークを効果的に検証し評価するには不十分である。 そこで,本稿ではまず,多種多様なコンピュータビジョンタスクにまたがる説明要求を,検証プロトコルの信頼性に基づいて,自己説明的・半説明的・非説明的・新パターン学習アプリケーションに分類する数学的定式化を提案する。 この数学的定式化に関して,深層学習ネットワークの出力を検証することを目的とした3次元説明可能性フレームワークを提案する。 このフレームワークは、局所的な3D説明、次元の縮小によるグローバルな説明、連結されたグローバルな説明、および統計的形状の特徴を統合し、パターン学習に関する新たな洞察を公開する。 難解なTOP-OSLOデータセットを用いて2つの高度な3次元深層学習ネットワークを訓練・テストし、特に左半球でのサルカス検出精度を大幅に向上させた。 このデータセットに対する多様なアノテーションプロトコルによる評価において,提案する3Dフレームワークにおいて,正確な予測と効果的なパターン学習を実現する上で,曖昧なアノテーションプロセスが果たす重要な役割を強調した。 提案するフレームワークは、変数のsulcusに注釈を付けるだけでなく、隠されたAI知識も発見し、脳の解剖学と機能に関する理解を深めることを約束する。

関連論文リスト

• A Review of Latent Representation Models in Neuroimaging [0.0]
  ラテント表現モデルは、高次元のニューロイメージングデータを低次元のラテント空間に還元するように設計されている。 これらの潜伏空間をモデル化することで、研究者は脳の生物学と機能に関する洞察を得ることを望んでいる。 本総説では, 疾患診断や進行モニタリングなどの臨床応用だけでなく, 基礎的脳機構の解明にもこれらのモデルが用いられていることを論じる。
  論文  参考訳（メタデータ） (2024-12-24T19:12:11Z)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
  被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。 我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。 予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
  論文  参考訳（メタデータ） (2024-05-24T06:06:11Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Multi-task Collaborative Pre-training and Individual-adaptive-tokens Fine-tuning: A Unified Framework for Brain Representation Learning [3.1453938549636185]
  協調的事前学習と個別学習を組み合わせた統合フレームワークを提案する。 提案したMCIATはADHD-200データセット上で最先端の診断性能を実現する。
  論文  参考訳（メタデータ） (2023-06-20T08:38:17Z)
• Multimodal and multicontrast image fusion via deep generative models [3.431015735214097]
  本稿では,モジュール型アプローチと分離可能な畳み込みブロックに根ざした生成モデルに基づく深層学習アーキテクチャを提案する。 これは、病気の進化を予測し、薬の反応を予測し、機械的な理解と臨床試験の強化を支援するのに役立つかもしれない。
  論文  参考訳（メタデータ） (2023-03-28T13:31:27Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• Detecting Schizophrenia with 3D Structural Brain MRI Using Deep Learning [12.128463028063146]
  統合失調症(英語: Schizophrenia)は、脳内の構造変化を引き起こす慢性神経精神疾患である。 深層学習は、統合失調症の患者と、見えない構造的MRIスキャンの健康的なコントロールをほぼ完全に区別することができる。 皮質下領域と心室は最も予測可能な脳の領域である。
  論文  参考訳（メタデータ） (2022-06-26T21:44:33Z)
• Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease Using Structural and Synthesized Functional MRI Data [8.388888908045406]
  脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。 次に,大規模構造スキャンから空間整合機能画像を合成する。 時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
  論文  参考訳（メタデータ） (2021-04-10T03:16:33Z)

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。