論文の概要: Exploiting Causality Signals in Medical Images: A Pilot Study with
Empirical Results
- arxiv url: http://arxiv.org/abs/2309.10399v1
- Date: Tue, 19 Sep 2023 08:00:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 15:45:39.943058
- Title: Exploiting Causality Signals in Medical Images: A Pilot Study with
Empirical Results
- Title(参考訳): 医用画像における因果性信号の爆発:実証実験による検討
- Authors: Gianluca Carloni, Sara Colantonio
- Abstract要約: 医用画像の自動分類法を提案する。
本手法は,畳み込みニューラルネットワークのバックボーンと因果因子抽出モジュールの2つのコンポーネントから構成される。
前立腺癌診断のためのMRI画像の公開データセットを用いて本手法の評価を行った。
- 参考スコア(独自算出の注目度): 1.2400966570867322
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a new method for automatically classifying medical images that
uses weak causal signals in the scene to model how the presence of a feature in
one part of the image affects the appearance of another feature in a different
part of the image. Our method consists of two components: a convolutional
neural network backbone and a causality-factors extractor module. The latter
computes weights for the feature maps to enhance each feature map according to
its causal influence in the image's scene. We can modify the functioning of the
causality module by using two external signals, thus obtaining different
variants of our method. We evaluate our method on a public dataset of prostate
MRI images for prostate cancer diagnosis, using quantitative experiments,
qualitative assessment, and ablation studies. Our results show that our method
improves classification performance and produces more robust predictions,
focusing on relevant parts of the image. That is especially important in
medical imaging, where accurate and reliable classifications are essential for
effective diagnosis and treatment planning.
- Abstract(参考訳): 本稿では,シーン内の弱い因果信号を用いた医用画像の自動分類法を提案する。画像の一部に特徴がある場合,画像の異なる部分における他の特徴の出現にどのように影響するかをモデル化する。
本手法は,畳み込みニューラルネットワークバックボーンと因果性因子抽出モジュールの2つの構成要素からなる。
後者は特徴マップの重みを計算し、画像のシーンにおける因果的影響に応じて各特徴マップを強化する。
2つの外部信号を用いて因果モジュールの機能を変更することで、異なる手法の変種を得ることができる。
前立腺癌診断のためのMRI画像の公開データセットについて,定量的実験,質的評価,アブレーション研究を用いて評価を行った。
本手法は,画像の関連部分に着目し,分類性能を改善し,よりロバストな予測を行うことを示す。
これは、診断や治療計画に正確で信頼性の高い分類が不可欠である医療画像において特に重要である。
関連論文リスト
- FeaInfNet: Diagnosis in Medical Image with Feature-Driven Inference and
Visual Explanations [4.022446255159328]
解釈可能なディープラーニングモデルは、画像認識の分野で広く注目を集めている。
提案されている多くの解釈可能性モデルは、医用画像診断の精度と解釈性に問題がある。
これらの問題を解決するために,機能駆動型推論ネットワーク(FeaInfNet)を提案する。
論文 参考訳(メタデータ) (2023-12-04T13:09:00Z) - Causality-Driven One-Shot Learning for Prostate Cancer Grading from MRI [1.049712834719005]
本稿では,画像中の弱い因果信号を学習し,活用する医用画像の自動分類手法を提案する。
我々のフレームワークは畳み込みニューラルネットワークのバックボーンと因果抽出モジュールで構成されている。
本研究は,特徴間の因果関係が,関連情報を識別するモデルの能力を高める上で重要な役割を担っていることを示す。
論文 参考訳(メタデータ) (2023-09-19T16:08:33Z) - Introducing Shape Prior Module in Diffusion Model for Medical Image
Segmentation [7.7545714516743045]
拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。
我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。
本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
論文 参考訳(メタデータ) (2023-09-12T03:05:00Z) - Convolutional neural network based on sparse graph attention mechanism
for MRI super-resolution [0.34410212782758043]
深層学習技術を用いた医用画像超解像(SR)再構成は、病変解析を強化し、診断効率と精度を向上させるために医師を支援する。
既存のディープラーニングベースのSR手法は、これらのモデルの表現能力を本質的に制限する畳み込みニューラルネットワーク(CNN)に依存している。
画像特徴抽出に複数の畳み込み演算子特徴抽出モジュール(MCO)を用いるAネットワークを提案する。
論文 参考訳(メタデータ) (2023-05-29T06:14:22Z) - Controllable Mind Visual Diffusion Model [58.83896307930354]
脳信号の可視化は、人間の視覚システムとコンピュータビジョンモデルの間の重要なインターフェースとして機能する活発な研究領域として登場した。
我々は、制御可能なマインドビジュアルモデル拡散(CMVDM)と呼ばれる新しいアプローチを提案する。
CMVDMは属性アライメントとアシスタントネットワークを用いてfMRIデータから意味情報とシルエット情報を抽出する。
そして、制御モデルを利用して抽出した情報を画像合成に活用し、セマンティクスやシルエットの観点から視覚刺激によく似た画像を生成する。
論文 参考訳(メタデータ) (2023-05-17T11:36:40Z) - Pixel-Level Explanation of Multiple Instance Learning Models in
Biomedical Single Cell Images [52.527733226555206]
複数のインスタンス学習モデルを説明するための4つの属性法について検討する。
急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。
我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
論文 参考訳(メタデータ) (2023-03-15T14:00:11Z) - Feature visualization for convolutional neural network models trained on
neuroimaging data [0.0]
畳み込みニューラルネットワーク(CNN)の機能可視化による最初の結果を示す。
我々は、MRIデータに基づく性分類や人為的病変分類など、さまざまなタスクのためにCNNを訓練した。
得られた画像は、その形状を含む人工的な病変の学習概念を明らかにするが、性分類タスクにおける抽象的な特徴を解釈することは困難である。
論文 参考訳(メタデータ) (2022-03-24T15:24:38Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳(メタデータ) (2021-02-15T18:46:44Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Proactive Pseudo-Intervention: Causally Informed Contrastive Learning
For Interpretable Vision Models [103.64435911083432]
PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。
PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。
また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
論文 参考訳(メタデータ) (2020-12-06T20:30:26Z) - 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)
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。