Fugu-MT 論文翻訳(概要): An explainable three dimension framework to uncover learning patterns: A unified look in variable sulci recognition

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/2309.00903v4
Date: Mon, 8 Jul 2024 11:07:55 GMT
ステータス: 処理完了
システム内更新日: 2024-07-10 03:38:37.195558
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: 3次元(3D)大域的な説明は神経イメージングに不可欠である。我々は、堅牢で忠実で、複雑でないグローバルな説明を提供する、説明可能な人工知能(XAI)の3Dフレームワークを開発する。
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: The significant features identified in a representative subset of the dataset during the learning process of an artificial intelligence model are referred to as a 'global' explanation. Three-dimensional (3D) global explanations are crucial in neuroimaging where a complex representational space demands more than basic two-dimensional interpretations. Curently, studies in the literature lack accurate, low-complexity, and 3D global explanations in neuroimaging and beyond. To fill this gap, we develop a novel explainable artificial intelligence (XAI) 3D-Framework that provides robust, faithful, and low-complexity global explanations. We evaluated our framework on various 3D deep learning networks trained, validated, and tested on a well-annotated cohort of 596 MRI images. The focus of detection was on the presence or absence of the paracingulate sulcus, a highly variable feature of brain topology associated with symptoms of psychosis. Our proposed 3D-Framework outperformed traditional XAI methods in terms of faithfulness for global explanations. As a result, these explanations uncovered new patterns that not only enhance the credibility and reliability of the training process but also reveal the broader developmental landscape of the human cortex. Our XAI 3D-Framework proposes for the first time, a way to utilize global explanations to discover the context in which detection of specific features are embedded, opening our understanding of normative brain development and atypical trajectories that can lead to the emergence of mental illness.
Abstract（参考訳）: 人工知能モデルの学習過程においてデータセットの代表的なサブセットで識別される重要な特徴を「グローバル」説明と呼ぶ。 3次元のグローバルな説明は、複雑な表現空間が基本的な2次元の解釈以上のものを要求する神経イメージングにおいて重要である。文学における研究は、神経画像などにおける正確さ、低複雑さ、そして3Dグローバルな説明が欠如している。このギャップを埋めるために、我々は、堅牢で忠実で、複雑でないグローバルな説明を提供する、説明可能な人工知能(XAI)の3Dフレームワークを開発した。我々は,596個のMRI画像の注釈付きコホートを用いて,訓練,検証,検証を行う様々な3次元ディープラーニングネットワーク上でのフレームワークの評価を行った。検出の焦点は、精神病の症状に関連する脳のトポロジーの高度に変動する特徴である視索性サルクスの存在の有無であった。提案した3Dフレームワークは,グローバルな説明に対する忠実さの観点から従来のXAI手法よりも優れていた。その結果、これらの説明はトレーニングプロセスの信頼性と信頼性を高めるだけでなく、ヒト大脳皮質のより広い発達環境を明らかにする新しいパターンを明らかにした。我々のXAI 3D-Frameworkは、グローバルな説明を利用して、特定の特徴の検出が組み込まれている状況を発見し、規範的脳発達の理解と、精神疾患の出現につながる非典型的軌跡の理解を深める方法として、初めて提案する。

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。