論文の概要: Enhancing Interpretability of Vertebrae Fracture Grading using Human-interpretable Prototypes

• arxiv url: http://arxiv.org/abs/2404.02830v2
• Date: Wed, 31 Jul 2024 12:34:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-01 20:15:23.098987
• Title: Enhancing Interpretability of Vertebrae Fracture Grading using Human-interpretable Prototypes
• Title（参考訳）: 人間の解釈可能なプロトタイプを用いた脊椎骨折の解釈可能性の向上
• Authors: Poulami Sinhamahapatra, Suprosanna Shit, Anjany Sekuboyina, Malek Husseini, David Schinz, Nicolas Lenhart, Joern Menze, Jan Kirschke, Karsten Roscher, Stephan Guennemann,
• Abstract要約: 本稿では,脊椎骨折(原型)の関連部分を見つけるための新しい解釈可能な設計手法であるProtoVerseを提案し,そのモデルの決定を人間に理解可能な方法で確実に説明する。 We have been experiment with the VerSe'19 dataset and outformed the existing prototype-based method。
• 参考スコア（独自算出の注目度）: 7.633493982907541
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vertebral fracture grading classifies the severity of vertebral fractures, which is a challenging task in medical imaging and has recently attracted Deep Learning (DL) models. Only a few works attempted to make such models human-interpretable despite the need for transparency and trustworthiness in critical use cases like DL-assisted medical diagnosis. Moreover, such models either rely on post-hoc methods or additional annotations. In this work, we propose a novel interpretable-by-design method, ProtoVerse, to find relevant sub-parts of vertebral fractures (prototypes) that reliably explain the model's decision in a human-understandable way. Specifically, we introduce a novel diversity-promoting loss to mitigate prototype repetitions in small datasets with intricate semantics. We have experimented with the VerSe'19 dataset and outperformed the existing prototype-based method. Further, our model provides superior interpretability against the post-hoc method. Importantly, expert radiologists validated the visual interpretability of our results, showing clinical applicability.
• Abstract（参考訳）: 椎骨骨折の重症度は, 画像診断の課題である脊椎骨折の重症度を分類し, 近年, 深層学習(DL)モデルが注目されている。 DL支援医療診断のような重要なユースケースにおいて、透明性と信頼性が要求されるにもかかわらず、そのようなモデルを人間に解釈できるようにする試みはごくわずかであった。 さらに、そのようなモデルはポストホックメソッドや追加アノテーションに依存する。 本研究では,脊椎骨折(原型)の関連部分を見つけるための新しい解釈可能・設計手法であるProtoVerseを提案し,そのモデルの決定を人間に理解可能な方法で確実に説明する。 具体的には、複雑なセマンティクスを持つ小さなデータセットにおいて、プロトタイプの反復を緩和するために、新しい多様性促進損失を導入する。 We have been experiment with the VerSe'19 dataset and outformed the existing prototype-based method。 さらに,本モデルはポストホック法に対して優れた解釈性を提供する。 専門の放射線科医は,臨床応用の可能性を示し,その結果の視覚的解釈可能性について検証した。

関連論文リスト

• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Interpretable Medical Image Classification using Prototype Learning and Privileged Information [0.0]
  解釈可能性はしばしば医療画像に必須の要件である。 本研究では,学習プロセスで利用可能な追加情報を用いて,理解しやすく強力なモデルを構築することができるかを検討する。 本稿では,カプセルネットワーク,プロトタイプ学習,特権情報の利用といったメリットを活用する,Proto-Capsと呼ばれる革新的なソリューションを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:28:59Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• Prototype Learning for Explainable Brain Age Prediction [1.104960878651584]
  回帰タスクに特化して設計された,説明可能なプロトタイプベースモデルであるExPeRTを提案する。 提案モデルでは,プロトタイプラベルの重み付き平均値を用いて,学習したプロトタイプのラテント空間における距離からサンプル予測を行う。 提案手法は,モデル推論プロセスに関する知見を提供しながら,最先端の予測性能を実現した。
  論文  参考訳（メタデータ） (2023-06-16T14:13:21Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Explainable Semantic Medical Image Segmentation with Style [7.074258860680265]
  ラベル付きデータのみを限定して一般化可能なセグメンテーションを実現するための,完全教師付き生成フレームワークを提案する。 提案手法は,エンド・ツー・エンドの対角訓練を取り入れたセグメンテーション・タスク駆動型識別器と組み合わせた医用画像スタイルを作成する。 完全セマンティックで公開可能なペルビウスデータセットの実験では、我々の手法は他の最先端の手法よりも、シフトに対してより一般化可能であることが示された。
  論文  参考訳（メタデータ） (2023-03-10T04:34:51Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• 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)
• Potential Features of ICU Admission in X-ray Images of COVID-19 Patients [8.83608410540057]
  本稿では,患者ICU入院ラベルを用いたデータセットから,重症度と相関する意味的特徴を抽出する手法を提案する。 この手法は、肺の病態を認識して意味的特徴を抽出するために訓練されたニューラルネットワークを使用する。 この方法では、学習した特徴の画像を選択でき、肺内の一般的な位置に関する情報を翻訳することができる。
  論文  参考訳（メタデータ） (2020-09-26T13:48:39Z)

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。