論文の概要: Hierarchical Salient Patch Identification for Interpretable Fundus Disease Localization
- arxiv url: http://arxiv.org/abs/2405.14334v1
- Date: Thu, 23 May 2024 09:07:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-24 18:04:42.693291
- Title: Hierarchical Salient Patch Identification for Interpretable Fundus Disease Localization
- Title(参考訳): 解釈可能なファンダス病局在のための階層的サルトパッチ同定
- Authors: Yitao Peng, Lianghua He, Die Hu,
- Abstract要約: 階層型サルエントパッチ同定法(HSPI)を提案する。
HSPIは、画像レベルのラベルとニューラルネットワーク分類器のみを使用して、解釈可能な疾患の局在を達成することができる。
医用画像データセット上で病気の局所化実験を行い、複数の評価指標上で最高のパフォーマンスを達成する。
- 参考スコア(独自算出の注目度): 4.714335699701277
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the widespread application of deep learning technology in medical image analysis, how to effectively explain model decisions and improve diagnosis accuracy has become an urgent problem that needs to be solved. Attribution methods have become a key tool to help doctors better understand the diagnostic basis of models, and they are used to explain and localize diseases in medical images. However, previous methods suffer from inaccurate and incomplete localization problems for fundus diseases with complex and diverse structures. In order to solve the above problems, we propose a weakly supervised interpretable fundus disease localization method hierarchical salient patch identification (HSPI), which can achieve interpretable disease localization using only image-level labels and neural network classifiers. First, we proposed salient patch identification (SPI), which divides the image into several patches and optimizes consistency loss to identify which patch in the input image is most important for decision-making to locate the disease. Secondly, we propose a hierarchical identification strategy to force SPI to analyze the importance of different areas to neural network classifiers decision-making to comprehensively locate disease areas. Then, we introduced conditional peak focusing to ensure that the mask vector can accurately locate the decision area. Finally, we also propose patch selection based on multi-size intersection to filter out incorrectly or additionally identified non-disease regions. We conduct disease localization experiments on medical image datasets and achieve the best performance on multiple evaluation metrics compared with previous interpretable attribution methods. We performed additional ablation studies to verify the effectiveness of each method.
- Abstract(参考訳): 医用画像解析にディープラーニング技術が広く応用されていることにより、モデル決定を効果的に説明し、診断精度を向上させる方法は、解決すべき緊急の問題となっている。
属性法は、医師がモデルの診断基盤をよりよく理解するための重要なツールとなり、医療画像中の疾患を説明およびローカライズするために使用される。
しかし, 従来手法では, 複雑で多様な構造を持つ眼底疾患に対して, 不正確な局所化問題と不完全な局所化問題に悩まされていた。
以上の問題を解決するために、画像レベルラベルとニューラルネットワーク分類器のみを用いて、解釈可能な疾患の局所化を実現するための、弱教師付き解釈可能な根底疾患局所化法(HSPI)を提案する。
まず、画像を複数のパッチに分割し、整合性損失を最適化し、画像中のどのパッチが病気の特定に最も重要であるかを特定する。
第2に, ニューラルネットワーク分類器による疾患領域の包括的位置決定において, SPIに異なる領域の重要性を解析させる階層的識別戦略を提案する。
そして,マスクベクトルが決定領域を正確に特定できるように,条件付きピーク焦点を導入した。
最後に,複数サイズ交叉に基づくパッチ選択を提案し,不正確な領域や追加で特定された非リリース領域をフィルタリングする。
医用画像データセット上で病気の局所化実験を行い、従来の解釈可能な属性法と比較して、複数の評価指標で最高のパフォーマンスを達成した。
それぞれの方法の有効性を検証するために,追加のアブレーション試験を行った。
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) - sMRI-PatchNet: A novel explainable patch-based deep learning network for
Alzheimer's disease diagnosis and discriminative atrophy localisation with
Structural MRI [18.234996137020406]
3次元高解像度データのサイズは、データ分析と処理において大きな課題となる。
パッチベースの手法では、画像データを複数の小さな正規パッチに分割することで、より効率的なsMRIベースの画像解析が可能であることが示されている。
本研究は、sMRIを用いたアルツハイマー病診断のための、説明可能なパッチローカライズと選択が可能なパッチベースの新しいディープラーニングネットワーク(sMRI-PatchNet)を提案する。
論文 参考訳(メタデータ) (2023-02-17T16:01:15Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳(メタデータ) (2021-12-20T13:29:13Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳(メタデータ) (2021-10-25T14:15:57Z) - Deep Joint Learning of Pathological Region Localization and Alzheimer's
Disease Diagnosis [4.5484714814315685]
BrainBagNetは、病理領域の局在とアルツハイマー病の診断を共同で学習するためのフレームワークである。
提案手法は、全脳MRI画像からのパッチレベル応答と位置情報からの識別的脳領域を示す。
5倍のクロスバリデーションにおいて,提案手法の分類性能は,AD診断および軽度認知障害予測タスクにおいて,最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2021-08-10T10:06:54Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-01-27T13:16:51Z) - Weakly Supervised Thoracic Disease Localization via Disease Masks [29.065791290544983]
画像レベルのアノテーションのみを使用する弱監督ローカリゼーション手法が提案されている。
本稿では,主に疾患の発生領域を記述した病マスクを用いた空間的注意法を提案する。
提案手法は,最先端手法と比較して位置決め性能に優れることを示す。
論文 参考訳(メタデータ) (2021-01-25T06:52:57Z) - 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) - Explainable Disease Classification via weakly-supervised segmentation [4.154485485415009]
CAD(Computer Aided Diagnosis)に対するディープラーニングアプローチは、画像分類(Normal or Abnormal)問題として問題を引き起こすのが一般的である。
本稿では,この問題を考察し,診断に先立ってエビデンスを探す臨床実践を模倣するアプローチを提案する。
提案法はマンモグラフィー画像から乳癌検出に適応する。
論文 参考訳(メタデータ) (2020-08-24T09:00:30Z) - Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。
クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。
提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文 参考訳(メタデータ) (2020-07-05T11:49:17Z)
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。