論文の概要: MRxaI: Black-Box Explainability for Image Classifiers in a Medical
Setting
- arxiv url: http://arxiv.org/abs/2311.14471v1
- Date: Fri, 24 Nov 2023 13:25:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-27 14:58:08.820844
- Title: MRxaI: Black-Box Explainability for Image Classifiers in a Medical
Setting
- Title(参考訳): MRxaI:医療現場における画像分類器のブラックボックス説明可能性
- Authors: Nathan Blake, Hana Chockler, David A. Kelly, Santiago Calderon Pena,
Akchunya Chanchal
- Abstract要約: 脳がんMRIデータセットにおけるグラジカムに対するブラックボックス法の性能の比較を行った。
1つのブラックボックスツール、因果説明可能性ベースのrexは、gradcamと同様に機能する。
- 参考スコア(独自算出の注目度): 5.16230883032882
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing tools for explaining the output of image classifiers can be divided
into white-box, which rely on access to the model internals, and black-box,
agnostic to the model. As the usage of AI in the medical domain grows, so too
does the usage of explainability tools. Existing work on medical image
explanations focuses on white-box tools, such as gradcam. However, there are
clear advantages to switching to a black-box tool, including the ability to use
it with any classifier and the wide selection of black-box tools available. On
standard images, black-box tools are as precise as white-box. In this paper we
compare the performance of several black-box methods against gradcam on a brain
cancer MRI dataset. We demonstrate that most black-box tools are not suitable
for explaining medical image classifications and present a detailed analysis of
the reasons for their shortcomings. We also show that one black-box tool, a
causal explainability-based rex, performs as well as \gradcam.
- Abstract(参考訳): 既存の画像分類器の出力を説明するツールは、モデル内部へのアクセスに依存するホワイトボックスと、モデルに依存しないブラックボックスに分けられる。
医療分野におけるAIの利用が増えるにつれて、説明可能性ツールの利用も増加する。
既存の医療画像説明の研究は、gradcamのようなホワイトボックスツールに焦点を当てている。
しかし、ブラックボックスツールへの切り替えには明確な利点があり、どの分類器でも使用できることや、利用可能なブラックボックスツールの幅広い選択が含まれる。
標準的な画像では、ブラックボックスツールはホワイトボックスと同じくらい正確です。
本稿では,脳がんMRIデータセットにおけるグラジカムに対するブラックボックス法の性能の比較を行った。
我々は,ほとんどのブラックボックスツールは医用画像分類に適さないことを示し,その欠点の詳細な解析を行った。
また,1つのブラックボックスツールであるcausal explanationabilityベースのrexが,\gradcamと同様に機能することを示した。
関連論文リスト
- A toolbox for calculating objective image properties in aesthetics research [0.0]
「美学ツールボックス」では、現代研究でよく見られる量的画像特性の集合を正確に計算することができる。
性質としては、光度と色統計、フーリエスペクトル特性、フラクタル性、自己相似性、対称性、異なるエントロピー測度とCNNに基づく分散がある。
論文 参考訳(メタデータ) (2024-08-20T07:49:43Z) - Processing HSV Colored Medical Images and Adapting Color Thresholds for Computational Image Analysis: a Practical Introduction to an open-source tool [0.0]
我々は,HSVカラーの医療画像の異なる色閾値を適応するオープンソースツールを開発した。
コード行に付随するステップバイステップの命令を提供します。
論文 参考訳(メタデータ) (2024-04-27T12:29:12Z) - CausalVLR: A Toolbox and Benchmark for Visual-Linguistic Causal
Reasoning [107.81733977430517]
CausalVLR(Causal Visual-Linguistic Reasoning)は、最先端の因果関係の発見と因果推論方法の豊富なセットを含むオープンソースのツールボックスである。
これらのメソッドはNVIDIAコンピューティングシステムの下でPyTorchを実装したツールボックスに含まれている。
論文 参考訳(メタデータ) (2023-06-30T08:17:38Z) - 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) - Learning MRI Artifact Removal With Unpaired Data [74.48301038665929]
振り返りアーティファクト補正(RAC)は、画像の質を向上し、画像のユーザビリティを向上させる。
最近のRACの機械学習駆動技術は、主に教師付き学習に基づいている。
ここでは、不要な画像アーティファクトを、未ペアデータで学習したRACニューラルネットワークを介して、画像から切り離し、取り除くことができることを示す。
論文 参考訳(メタデータ) (2021-10-09T16:09:27Z) - This is not the Texture you are looking for! Introducing Novel
Counterfactual Explanations for Non-Experts using Generative Adversarial
Learning [59.17685450892182]
反実用説明システムは、入力画像を変更して反実用推論を可能にする。
本稿では, 対向画像から画像への変換技術に基づく, 対向画像の説明を新たに生成する手法を提案する。
その結果,我々のアプローチは,2つの最先端技術システムよりも,メンタルモデル,説明満足度,信頼度,感情,自己効力に関して有意に優れた結果をもたらすことがわかった。
論文 参考訳(メタデータ) (2020-12-22T10:08:05Z) - Black-Box Ripper: Copying black-box models using generative evolutionary
algorithms [29.243901669124515]
ブラックボックスニューラルモデルの機能を複製する作業について検討する。
ブラックボックスモデルによるバックプロパゲーションは不可能であると仮定する。
ブラックボックス(教師)モデルを学生モデルに蒸留できる教師学生フレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-21T17:25:23Z) - Towards Unsupervised Learning for Instrument Segmentation in Robotic
Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。
当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。
提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文 参考訳(メタデータ) (2020-07-09T01:39:39Z) - Focus Longer to See Better:Recursively Refined Attention for
Fine-Grained Image Classification [148.4492675737644]
Deep Neural Networkは、粗い粒度の画像分類タスクにおいて大きな進歩を見せている。
本稿では,これらの限界差に着目して,より代表的な特徴を抽出する。
我々のネットワークは、画像の一部に繰り返し焦点を合わせ、クラス間の小さな識別的部分を見つける。
論文 参考訳(メタデータ) (2020-05-22T03:14:18Z) - Medical Image Enhancement Using Histogram Processing and Feature
Extraction for Cancer Classification [5.156484100374058]
ヒストグラム等化技術は、画像の質を向上し、よく定義された問題を与えるのに役立つ。
また,K-meansアルゴリズムを用いて,脳の腫瘍部分の分画と抽出を行った。
論文 参考訳(メタデータ) (2020-03-14T12:11:23Z) - Black Box Explanation by Learning Image Exemplars in the Latent Feature
Space [20.16179026989117]
画像分類のためのブラックボックスモデルの決定について説明する。
本手法は,対向オートエンコーダを用いて学習した潜在特徴空間を利用する。
提案手法は, 忠実度, 妥当性, 一貫性, 安定性の観点から, 既存の説明よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-01-27T15:42:14Z)
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。