論文の概要: MAProtoNet: A Multi-scale Attentive Interpretable Prototypical Part Network for 3D Magnetic Resonance Imaging Brain Tumor Classification
- arxiv url: http://arxiv.org/abs/2404.08917v1
- Date: Sat, 13 Apr 2024 07:30:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-16 18:03:29.241652
- Title: MAProtoNet: A Multi-scale Attentive Interpretable Prototypical Part Network for 3D Magnetic Resonance Imaging Brain Tumor Classification
- Title（参考訳）: MAProtoNet:3次元磁気共鳴イメージング脳腫瘍分類のためのマルチスケール注意解釈型プロトタイプネットワーク
- Authors: Binghua Li, Jie Mao, Zhe Sun, Chao Li, Qibin Zhao, Toshihisa Tanaka,
- Abstract要約: そこで本稿では,MAProtoNet と呼ばれるマルチスケール適応型部分ネットワークを提案し,より正確な属性マップを提供する。
具体的には、四重項の注意層から注意的特徴をマージし、属性マップを生成するための簡潔なマルチスケールモジュールを提案する。
医療画像における既存の解釈可能な部分ネットワークと比較して、MAProtoNetはローカライゼーションにおける最先端の性能を達成することができる。
- 参考スコア（独自算出の注目度）: 25.056170817680403
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated diagnosis with artificial intelligence has emerged as a promising area in the realm of medical imaging, while the interpretability of the introduced deep neural networks still remains an urgent concern. Although contemporary works, such as XProtoNet and MProtoNet, has sought to design interpretable prediction models for the issue, the localization precision of their resulting attribution maps can be further improved. To this end, we propose a Multi-scale Attentive Prototypical part Network, termed MAProtoNet, to provide more precise maps for attribution. Specifically, we introduce a concise multi-scale module to merge attentive features from quadruplet attention layers, and produces attribution maps. The proposed quadruplet attention layers can enhance the existing online class activation mapping loss via capturing interactions between the spatial and channel dimension, while the multi-scale module then fuses both fine-grained and coarse-grained information for precise maps generation. We also apply a novel multi-scale mapping loss for supervision on the proposed multi-scale module. Compared to existing interpretable prototypical part networks in medical imaging, MAProtoNet can achieve state-of-the-art performance in localization on brain tumor segmentation (BraTS) datasets, resulting in approximately 4% overall improvement on activation precision score (with a best score of 85.8%), without using additional annotated labels of segmentation. Our code will be released in https://github.com/TUAT-Novice/maprotonet.
- Abstract（参考訳）: 人工知能による自動診断は医療画像の領域において有望な領域として現れてきたが、導入したディープニューラルネットワークの解釈可能性はまだ急務である。
XProtoNetやMProtoNetといった現代の作品では、この問題に対する解釈可能な予測モデルの設計が試みられているが、結果の帰属マップの局所化精度をさらに向上することができる。
そこで本稿では,MAProtoNetと呼ばれるマルチスケール適応型部分ネットワークを提案し,より正確な属性マップを提供する。
具体的には、四重項の注意層から注意的特徴をマージし、属性マップを生成するための簡潔なマルチスケールモジュールを提案する。
提案した四重項注意層は,空間次元とチャネル次元の相互作用を捉えることで,既存のオンラインクラスの活性化マップの損失を増大させることができる。
また,提案したマルチスケールモジュールの監視のために,新たなマルチスケールマッピング損失を適用した。
既存の医用画像の解釈可能なプロトタイプ部分ネットワークと比較すると、MAProtoNetは脳腫瘍セグメンテーション(BraTS)データセットのローカライゼーションにおける最先端のパフォーマンスを達成でき、結果としてアクティベーション精度スコア(最高スコア85.8%)が約4%向上する。
私たちのコードはhttps://github.com/TUAT-Novice/maprotonet.comでリリースされます。
関連論文リスト
- MProtoNet: A Case-Based Interpretable Model for Brain Tumor
Classification with 3D Multi-parametric Magnetic Resonance Imaging [0.6445605125467573]
本稿では,3D Multi-parametric magnetic resonance imaging (mpMRI)データを用いて,ProtoPNetを脳腫瘍分類に拡張する最初の医用プロトタイプネットワーク(MProtoNet)を提案する。
MProtoNetは、正確性とローカライゼーションコヒーレンスの両方の解釈可能性指標の統計的に有意な改善を実現している。
論文 参考訳（メタデータ） (2023-04-13T04:39:21Z) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2023-03-20T06:26:49Z) - DoubleU-NetPlus: A Novel Attention and Context Guided Dual U-Net with
Multi-Scale Residual Feature Fusion Network for Semantic Segmentation of
Medical Images [2.20200533591633]
本稿ではDoubleU-NetPlusという2つのU-Netアーキテクチャを提案する。
我々は,識別的特徴表現をモデル化するネットワークの能力を高めるために,マルチコンテキスト特徴といくつかの注意戦略を利用する。
勾配消滅問題を緩和し、より深い空間的詳細を持つ高分解能特徴を取り入れるため、標準畳み込み操作を注意誘導残差畳み込み操作に置き換える。
論文 参考訳（メタデータ） (2022-11-25T16:56:26Z) - UNet#: A UNet-like Redesigning Skip Connections for Medical Image
Segmentation [13.767615201220138]
シンボル#に類似した形状のUNet-sharp(UNet#)という,高密度スキップ接続とフルスケールスキップ接続を組み合わせた新しいネットワーク構造を提案する。
提案されたUNet#は、デコーダサブネットワークで異なるスケールの機能マップを集約し、詳細な詳細と大まかなセマンティクスをフルスケールから取得することができる。
論文 参考訳（メタデータ） (2022-05-24T03:40:48Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳（メタデータ） (2021-06-20T08:20:56Z) - CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image
Segmentation [95.51455777713092]
畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。
本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-03-04T13:34:22Z) - DT-Net: A novel network based on multi-directional integrated
convolution and threshold convolution [7.427799203626843]
本稿では,新しいエンドツーエンドセマンティックセマンティックセグメンテーションアルゴリズムDT-Netを提案する。
また、医療画像のエンドツーエンドのセマンティックセグメンテーションをよりよく達成するために、2つの新しい畳み込み戦略を用いる。
論文 参考訳（メタデータ） (2020-09-26T11:12:06Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z) - Boundary-aware Context Neural Network for Medical Image Segmentation [15.585851505721433]
医用画像のセグメンテーションは、さらなる臨床分析と疾患診断のための信頼性の高い基盤を提供することができる。
既存のCNNベースのほとんどの手法は、正確なオブジェクト境界のない不満足なセグメンテーションマスクを生成する。
本稿では,2次元医用画像分割のための境界認識コンテキストニューラルネットワーク(BA-Net)を定式化する。
論文 参考訳（メタデータ） (2020-05-03T02:35:49Z) - Deep Attentive Features for Prostate Segmentation in 3D Transrectal
Ultrasound [59.105304755899034]
本稿では,経直腸超音波(TRUS)画像における前立腺のセグメンテーションを改善するために,アテンションモジュールを備えた新しい3次元ディープニューラルネットワークを開発した。
我々のアテンションモジュールは、アテンション機構を利用して、異なるレイヤから統合されたマルチレベル特徴を選択的に活用する。
3次元TRUSボリュームに挑戦する実験結果から,本手法は良好なセグメンテーション性能が得られることが示された。
論文 参考訳（メタデータ） (2019-07-03T05:21:52Z)
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。