論文の概要: Aggregated Attributions for Explanatory Analysis of 3D Segmentation Models
- arxiv url: http://arxiv.org/abs/2407.16653v3
- Date: Fri, 29 Nov 2024 14:15:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-02 15:16:22.157935
- Title: Aggregated Attributions for Explanatory Analysis of 3D Segmentation Models
- Title（参考訳）: 3次元セグメンテーションモデルの説明的分析のための集約的属性
- Authors: Maciej Chrabaszcz, Hubert Baniecki, Piotr Komorowski, Szymon Płotka, Przemyslaw Biecek,
- Abstract要約: 本稿では,3次元セグメンテーションモデルの微細なボクセル属性を集約する手法であるAgg2Expを紹介する。
実験により,勾配に基づくボクセル属性は摂動に基づく説明よりもモデルの予測に忠実であることが示された。
Agg2Expは、予測性能以上の大きなセグメンテーションモデルの説明分析を容易にする。
- 参考スコア（独自算出の注目度）: 7.416913210816592
- License:
- Abstract: Analysis of 3D segmentation models, especially in the context of medical imaging, is often limited to segmentation performance metrics that overlook the crucial aspect of explainability and bias. Currently, effectively explaining these models with saliency maps is challenging due to the high dimensions of input images multiplied by the ever-growing number of segmented class labels. To this end, we introduce Agg^2Exp, a methodology for aggregating fine-grained voxel attributions of the segmentation model's predictions. Unlike classical explanation methods that primarily focus on the local feature attribution, Agg^2Exp enables a more comprehensive global view on the importance of predicted segments in 3D images. Our benchmarking experiments show that gradient-based voxel attributions are more faithful to the model's predictions than perturbation-based explanations. As a concrete use-case, we apply Agg^2Exp to discover knowledge acquired by the Swin UNEt TRansformer model trained on the TotalSegmentator v2 dataset for segmenting anatomical structures in computed tomography medical images. Agg^2Exp facilitates the explanatory analysis of large segmentation models beyond their predictive performance. The source code is publicly available at https://github.com/mi2datalab/agg2exp.
- Abstract（参考訳）: 3Dセグメンテーションモデルの解析は、特に医用画像の文脈において、説明可能性とバイアスの重要な側面を無視するセグメンテーションパフォーマンス指標に限られることが多い。
現在、これらのモデルに精度マップを効果的に説明することは、セグメント化されたクラスラベルの数の増加に乗じて、入力画像の高次元化が困難である。
そこで本研究では,セグメンテーションモデルの予測の微細なボクセル属性を集約する手法であるAgg^2Expを紹介する。
Agg^2Expは、局所的特徴属性に主に焦点をあてる古典的な説明法とは異なり、3D画像における予測セグメントの重要性に関するより包括的なグローバルな見解を可能にする。
我々のベンチマーク実験は、摂動に基づく説明よりも勾配に基づくボクセル属性の方がモデルの予測に忠実であることを示している。
具体的なユースケースとして,Agg^2Expを応用して,TotalSegmentator v2データセットでトレーニングしたSwin UNEt TRansformerモデルによって得られた知識を,CT画像中の解剖学的構造を抽出する。
Agg^2Expは、予測性能以上の大きなセグメンテーションモデルの説明分析を容易にする。
ソースコードはhttps://github.com/mi2datalab/agg2expで公開されている。
関連論文リスト
- GraphCL: Graph-based Clustering for Semi-Supervised Medical Image Segmentation [20.43162035511489]
本稿では,グラフデータ構造を統合深層モデルで共同モデル化し,半教師付き医用画像分割(GraphCL)のためのグラフベースのクラスタリングを提案する。
提案したGraphCLアルゴリズムは,最先端の半教師付き医用画像分割法より優れていることを示す。
論文 参考訳（メタデータ） (2024-11-20T09:24:46Z) - ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [104.34751911174196]
ShapeNetとModelNetを用いた大規模3DGSデータセットを構築した。
データセットのShapeSplatは、87のユニークなカテゴリから65Kのオブジェクトで構成されています。
textbftextitGaussian-MAEを導入し、ガウスパラメータからの表現学習の独特な利点を強調した。
論文 参考訳（メタデータ） (2024-08-20T14:49:14Z) - MOUNTAINEER: Topology-Driven Visual Analytics for Comparing Local Explanations [6.835413642522898]
トポロジカルデータ解析(TDA)は、属性を一様グラフ表現に変換するために使用できるため、この領域で有効な方法である。
我々は、新しいトポロジ駆動視覚分析ツールであるMountaineerを紹介し、機械学習の実践者がこれらの表現をインタラクティブに分析し比較できるようにする。
我々は、Mountaineerによって、ブラックボックスMLの説明と、異なる説明の相違の原因を識別する領域を比較できることを示す。
論文 参考訳（メタデータ） (2024-06-21T19:28:50Z) - Prospector Heads: Generalized Feature Attribution for Large Models & Data [82.02696069543454]
本稿では,説明に基づく帰属手法の効率的かつ解釈可能な代替手段であるプロスペクタヘッドを紹介する。
入力データにおけるクラス固有のパターンの解釈と発見を、プロファイラヘッドがいかに改善できるかを実証する。
論文 参考訳（メタデータ） (2024-02-18T23:01:28Z) - Topological Data Analysis Guided Segment Anything Model Prompt
Optimization for Zero-Shot Segmentation in Biological Imaging [5.795215830149858]
我々は,Segment Anything Model (SAM) のプロンプト最適化を導くトポロジカルデータ解析を提案する。
以上の結果から,TDA最適化点雲は小型物体の発見に非常に適しており,計算複雑性を大幅に低減することがわかった。
論文 参考訳（メタデータ） (2023-06-30T05:00:38Z) - Learning with Explicit Shape Priors for Medical Image Segmentation [17.110893665132423]
UNetモデルにおけるセグメント化性能を向上させるために,新しい形状先行モジュール(SPM)を提案する。
明示的な形状の先行は、大域的および局所的な形状の先行から成っている。
提案手法は最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-03-31T11:12:35Z) - Semi-Weakly Supervised Object Kinematic Motion Prediction [56.282759127180306]
3Dオブジェクトが与えられた場合、運動予測は移動部と対応する運動パラメータを識別することを目的としている。
階層的部分分割と移動部パラメータのマップを学習するグラフニューラルネットワークを提案する。
ネットワーク予測は、擬似ラベル付き移動情報を持つ大規模な3Dオブジェクトを生成する。
論文 参考訳（メタデータ） (2023-03-31T02:37:36Z) - SegPrompt: Using Segmentation Map as a Better Prompt to Finetune Deep
Models for Kidney Stone Classification [62.403510793388705]
深層学習は、内視鏡画像を用いた腎臓結石分類のための奨励的な結果を生み出している。
注釈付きトレーニングデータの不足は、トレーニングされたモデルの性能と一般化能力を改善する上で深刻な問題を引き起こす。
本稿では,セグメンテーションマップを2つの側面から活用することにより,データ不足問題を軽減するためにSegPromptを提案する。
論文 参考訳（メタデータ） (2023-03-15T01:30:48Z) - Unsupervised Domain Adaptation through Shape Modeling for Medical Image
Segmentation [23.045760366698634]
医用画像のセグメンテーションを支援するために, 形状を明示的にモデル化し, 利用することを目的としている。
従来の方法では、特定の臓器の形状の分布を学習するための変分オートエンコーダ(VAE)モデルが提案されていた。
本研究では,教師/学生の学習パラダイムの下で,擬似的損失とVAE再構成損失に基づく教師なしドメイン適応パイプラインを提案する。
論文 参考訳（メタデータ） (2022-07-06T09:16:42Z) - 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) - Monocular Human Pose and Shape Reconstruction using Part Differentiable
Rendering [53.16864661460889]
近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。
本稿では,ボディセグメンテーションを重要な監視対象として紹介する。
部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
論文 参考訳（メタデータ） (2020-03-24T14:25:46Z)
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。