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/2309.00903v5
- Date: Thu, 28 Nov 2024 22:52:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-02 15:17:35.271652
- 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: 我々は、高精度で低複雑さなグローバルな説明を提供することができる説明可能な人工知能(XAI)3Dフレームワークを開発した。
本フレームワークは,統計的特徴(Shape)とXAI法(GradCamとSHAP)を次元的還元と統合し,モデル学習とコホート固有変数の両方を反映した説明を確実にする。
これらの堅牢な説明は、後側頭頂部と内頭頂部を含む重要な亜領域の同定を促進した。
- 参考スコア(独自算出の注目度): 2.960322639147262
- License:
- 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. 3D global explanations are crucial in neuroimaging, where a complex representational space demands more than basic 2D interpretations. However, current studies in the literature often lack the accuracy, comprehensibility, and 3D global explanations needed in neuroimaging and beyond. To address this gap, we developed an explainable artificial intelligence (XAI) 3D-Framework capable of providing accurate, low-complexity global explanations. We evaluated the framework using various 3D deep learning models trained on a well-annotated cohort of 596 structural MRIs. The binary classification task focused on detecting the presence or absence of the paracingulate sulcus, a highly variable brain structure associated with psychosis. Our framework integrates statistical features (Shape) and XAI methods (GradCam and SHAP) with dimensionality reduction, ensuring that explanations reflect both model learning and cohort-specific variability. By combining Shape, GradCam, and SHAP, our framework reduces inter-method variability, enhancing the faithfulness and reliability of global explanations. These robust explanations facilitated the identification of critical sub-regions, including the posterior temporal and internal parietal regions, as well as the cingulate region and thalamus, suggesting potential genetic or developmental influences. Our XAI 3D-Framework leverages global explanations to uncover the broader developmental context of specific cortical features. This approach advances the fields of deep learning and neuroscience by offering insights into normative brain development and atypical trajectories linked to mental illness, paving the way for more reliable and interpretable AI applications in neuroimaging.
- 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。
複雑な表現空間は基本的な2次元の解釈以上のものを必要としている。
しかし、現在の文献の研究は、神経画像などに必要な正確さ、理解性、そして3Dグローバルな説明を欠いていることが多い。
このギャップに対処するために、我々は、高精度で低複雑さなグローバルな説明を提供することができる説明可能な人工知能(XAI)3Dフレームワークを開発した。
596個の構造MRIのコホートで訓練した各種3次元深層学習モデルを用いて,本フレームワークの評価を行った。
二項分類課題は、精神病に関連する高度に変動した脳構造である視床下核の存在または欠如を検出することに焦点を当てた。
本フレームワークは,統計的特徴(Shape)とXAI法(GradCamとSHAP)を次元的還元と統合し,モデル学習とコホート固有変数の両方を反映した説明を確実にする。
このフレームワークはShape, GradCam, SHAPを組み合わせることで, 金属間のばらつきを低減し, グローバルな説明の忠実さと信頼性を高める。
これらの堅牢な説明は、後頭葉と内頭頂部を含む重要な亜領域の同定、および角化領域と視床の同定を促進し、潜在的な遺伝的または発生的影響を示唆した。
我々のXAI 3D-Frameworkは、グローバルな説明を活用して、特定の皮質の特徴のより広範な発達状況を明らかにする。
このアプローチは、規範的脳発達と精神疾患に関連する非定型的軌跡に関する洞察を提供することによって、ディープラーニングと神経科学の分野を前進させ、ニューロイメージングにおけるより信頼性が高く解釈可能なAI応用への道を開く。
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。