論文の概要: Concept-Attention Whitening for Interpretable Skin Lesion Diagnosis
- arxiv url: http://arxiv.org/abs/2404.05997v2
- Date: Wed, 06 Nov 2024 12:06:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-07 19:20:50.928959
- Title: Concept-Attention Whitening for Interpretable Skin Lesion Diagnosis
- Title（参考訳）: 解釈可能な皮膚病変診断のための概念意識の白化
- Authors: Junlin Hou, Jilan Xu, Hao Chen,
- Abstract要約: 皮膚病変診断のための新しい概念認識白化(CAW)フレームワークを提案する。
前枝では,CAW層を挿入した畳み込みニューラルネットワーク(CNN)を訓練し,皮膚病変の診断を行った。
後者のブランチでは、マトリクスはコンセプトアテンションマスクのガイダンスに基づいて計算される。
- 参考スコア（独自算出の注目度）: 7.5422729055429745
- License:
- Abstract: The black-box nature of deep learning models has raised concerns about their interpretability for successful deployment in real-world clinical applications. To address the concerns, eXplainable Artificial Intelligence (XAI) aims to provide clear and understandable explanations of the decision-making process. In the medical domain, concepts such as attributes of lesions or abnormalities serve as key evidence for deriving diagnostic results. Existing concept-based models mainly depend on concepts that appear independently and require fine-grained concept annotations such as bounding boxes. However, a medical image usually contains multiple concepts, and the fine-grained concept annotations are difficult to acquire. In this paper, we aim to interpret representations in deep neural networks by aligning the axes of the latent space with known concepts of interest. We propose a novel Concept-Attention Whitening (CAW) framework for interpretable skin lesion diagnosis. CAW is comprised of a disease diagnosis branch and a concept alignment branch. In the former branch, we train a convolutional neural network (CNN) with an inserted CAW layer to perform skin lesion diagnosis. The CAW layer decorrelates features and aligns image features to conceptual meanings via an orthogonal matrix. In the latter branch, the orthogonal matrix is calculated under the guidance of the concept attention mask. We particularly introduce a weakly-supervised concept mask generator that only leverages coarse concept labels for filtering local regions that are relevant to certain concepts, improving the optimization of the orthogonal matrix. Extensive experiments on two public skin lesion diagnosis datasets demonstrated that CAW not only enhanced interpretability but also maintained a state-of-the-art diagnostic performance.
- Abstract（参考訳）: ディープラーニングモデルにおけるブラックボックスの性質は、実際の臨床応用への展開の成功に対する解釈可能性に関する懸念を提起している。
この懸念に対処するため、eXplainable Artificial Intelligence (XAI)は意思決定プロセスの明確かつ理解可能な説明を提供することを目指している。
医学領域では、病変の属性や異常などの概念が診断結果の導出の重要な証拠となる。
既存の概念ベースのモデルは、主に独立して現れる概念に依存し、バウンディングボックスのような細かい概念アノテーションを必要とする。
しかし、医用画像は通常複数の概念を含んでいるため、微細な概念アノテーションの取得は困難である。
本稿では、潜伏空間の軸と既知の関心概念を整列させることにより、ディープニューラルネットワークにおける表現を解釈することを目的とする。
皮膚病変診断のための新しい概念認識白化(CAW)フレームワークを提案する。
CAWは、疾患診断枝と概念アライメント枝とから構成される。
前枝では,CAW層を挿入した畳み込みニューラルネットワーク(CNN)を訓練し,皮膚病変の診断を行った。
CAW層は特徴をデコレーションし、直交行列を介してイメージ特徴を概念的意味に整合させる。
後者の分岐では、直交行列はコンセプトアテンションマスクの誘導の下で計算される。
特に,特定の概念に関連のある局所領域をフィルタリングし,直交行列の最適化を改善するために,粗い概念ラベルのみを利用する,弱教師付きコンセプトマスクジェネレータを導入する。
2つの公的皮膚病変診断データセットの広範囲な実験により、CAWは解釈可能性を高めただけでなく、最先端の診断性能も維持した。
関連論文リスト
- Discover-then-Name: Task-Agnostic Concept Bottlenecks via Automated Concept Discovery [52.498055901649025]
ディープニューラルネットワークの「ブラックボックス」問題に対処するために、概念ボトルネックモデル(CBM)が提案されている。
本稿では,典型的なパラダイムを逆転させる新しいCBMアプローチであるDiscover-then-Name-CBM(DN-CBM)を提案する。
我々の概念抽出戦略は、下流のタスクに非依存であり、既にそのモデルに知られている概念を使用するため、効率的である。
論文 参考訳（メタデータ） (2024-07-19T17:50:11Z) - MICA: Towards Explainable Skin Lesion Diagnosis via Multi-Level
Image-Concept Alignment [4.861768967055006]
本稿では, 医療画像と臨床関連概念を多層的に意味的に整合させるマルチモーダル説明型疾患診断フレームワークを提案する。
提案手法は, モデル解釈可能性を維持しながら, 概念検出と疾患診断に高い性能とラベル効率を実現する。
論文 参考訳（メタデータ） (2024-01-16T17:45:01Z) - Towards Concept-based Interpretability of Skin Lesion Diagnosis using
Vision-Language Models [0.0]
視覚言語モデルを用いて,多数の概念アノテーションを用いたサンプルへの依存を緩和できることを示す。
特に,概念に基づく記述をテキスト埋め込みとして用いて,CLIPを皮膚病変分類の下流タスクに適用するための埋め込み学習戦略を提案する。
論文 参考訳（メタデータ） (2023-11-24T08:31:34Z) - 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) - Class Attention to Regions of Lesion for Imbalanced Medical Image
Recognition [59.28732531600606]
データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。
CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。
その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
論文 参考訳（メタデータ） (2023-07-19T15:19:02Z) - Coherent Concept-based Explanations in Medical Image and Its Application
to Skin Lesion Diagnosis [0.0]
既存のメラノーマ皮膚病変診断のための深層学習アプローチはブラックボックスモデルとみなす。
本稿では,概念ベースモデルの解釈可能性を改善するために,本質的に解釈可能なフレームワークを提案する。
本手法は皮膚病変分類のための既存のブラックボックスとコンセプトベースモデルより優れている。
論文 参考訳（メタデータ） (2023-04-10T13:32:04Z) - Interpretable Vertebral Fracture Diagnosis [69.68641439851777]
ブラックボックスニューラルネットワークモデルは、骨折診断のための臨床的に関連する特徴を学習する。
この研究は、CT画像における脊椎骨折の診断にネットワークが使用する概念を特定する。
論文 参考訳（メタデータ） (2022-03-30T13:07:41Z) - Kernelized Concept Erasure [108.65038124096907]
概念消去のための線形ミニマックスゲームのカーネル化を提案する。
特定の非線形敵が概念を予測するのを防ぐことができる。
しかし、保護は異なる非線形敵に移動しない。
論文 参考訳（メタデータ） (2022-01-28T15:45:13Z) - ExAID: A Multimodal Explanation Framework for Computer-Aided Diagnosis
of Skin Lesions [4.886872847478552]
ExAID(Explainable AI for Dermatology)は、バイオメディカル画像解析のための新しいフレームワークである。
マルチモーダルな概念に基づく説明を提供する。
他の生体イメージング分野でも同様の応用の基盤となるだろう。
論文 参考訳（メタデータ） (2022-01-04T17:11:28Z) - Context-Aware Refinement Network Incorporating Structural Connectivity
Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。
正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。
提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文 参考訳（メタデータ） (2020-07-10T14:01:20Z) - On Interpretability of Deep Learning based Skin Lesion Classifiers using
Concept Activation Vectors [6.188009802619095]
メラノーマ, メラノーマ, セボリックケラトーシスの3種類の皮膚腫瘍の分類には, 十分に訓練された高性能ニューラルネットワークを用いている。
概念活性化ベクトル(CAV)の助けを借りて、人間の理解可能な概念をRECOD画像分類モデルにマッピングする
論文 参考訳（メタデータ） (2020-05-05T08:27:16Z)
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。