論文の概要: Improving Prototypical Parts Abstraction for Case-Based Reasoning Explanations Designed for the Kidney Stone Type Recognition

• arxiv url: http://arxiv.org/abs/2409.12883v1
• Date: Thu, 19 Sep 2024 16:27:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 12:59:09.697974
• Title: Improving Prototypical Parts Abstraction for Case-Based Reasoning Explanations Designed for the Kidney Stone Type Recognition
• Title（参考訳）: キドニー石型認識のためのケースベース推論記述のための原型部品抽象化の改良
• Authors: Daniel Flores-Araiza, Francisco Lopez-Tiro, Clément Larose, Salvador Hinojosa, Andres Mendez-Vazquez, Miguel Gonzalez-Mendoza, Gilberto Ochoa-Ruiz, Christian Daul,
• Abstract要約: 尿管鏡による腎結石の同定は、尿学の大きな医学的進歩となる。 近年,尿管鏡画像を用いて腎臓結石のタイプを自動的に認識する深層学習(DL)モデルが提案されている。 このコントリビューションは, 原型部品(PP)を使用し, 局所的および大域的記述子を生成するケースベース推論DLモデルを提案する。
• 参考スコア（独自算出の注目度）: 2.5506430540951763
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The in-vivo identification of the kidney stone types during an ureteroscopy would be a major medical advance in urology, as it could reduce the time of the tedious renal calculi extraction process, while diminishing infection risks. Furthermore, such an automated procedure would make possible to prescribe anti-recurrence treatments immediately. Nowadays, only few experienced urologists are able to recognize the kidney stone types in the images of the videos displayed on a screen during the endoscopy. Thus, several deep learning (DL) models have recently been proposed to automatically recognize the kidney stone types using ureteroscopic images. However, these DL models are of black box nature whicl limits their applicability in clinical settings. This contribution proposes a case-based reasoning DL model which uses prototypical parts (PPs) and generates local and global descriptors. The PPs encode for each class (i.e., kidney stone type) visual feature information (hue, saturation, intensity and textures) similar to that used by biologists. The PPs are optimally generated due a new loss function used during the model training. Moreover, the local and global descriptors of PPs allow to explain the decisions ("what" information, "where in the images") in an understandable way for biologists and urologists. The proposed DL model has been tested on a database including images of the six most widespread kidney stone types. The overall average classification accuracy was 90.37. When comparing this results with that of the eight other DL models of the kidney stone state-of-the-art, it can be seen that the valuable gain in explanability was not reached at the expense of accuracy which was even slightly increased with respect to that (88.2) of the best method of the literature. These promising and interpretable results also encourage urologists to put their trust in AI-based solutions.
• Abstract（参考訳）: 尿管鏡による腎結石の同定は、退屈な腎結石抽出の時間を短縮し、感染リスクを低減させるため、尿学における大きな医学的進歩となる。 さらに、このような自動的な手順により、直ちに反再帰治療を処方することが可能となる。 現在では、内視鏡検査中に画面に映されたビデオの映像の中で腎臓の石の種類を認識できるのは、経験豊富な尿学者はごくわずかである。 そこで,近年,尿管鏡画像を用いて腎臓結石のタイプを自動的に認識する深層学習(DL)モデルが提案されている。 しかし、これらのDLモデルはブラックボックスの本質であり、臨床環境での適用性を制限している。 このコントリビューションは, 原型部品(PP)を使用し, 局所的および大域的記述子を生成するケースベース推論DLモデルを提案する。 PPは、生物学者が使用するものと同様、各クラス(腎臓石型)の視覚特徴情報(ヘ、飽和、強度、テクスチャ)を符号化する。 PPは、モデルトレーニング中に使用される新しい損失関数により最適に生成される。 さらに、PPの地域的およびグローバルな記述者は、生物学者や尿学者にとって理解可能な方法で、決定("情報"、"画像のどこにあるか")を説明することができる。 提案したDLモデルは6種類の腎臓結石の画像を含むデータベース上でテストされている。 総合的な分類精度は90.37である。 この結果と腎臓結石の他の8種類のDLモデルと比較すると, 文献の最良の方法である88.2に比べて若干増大した精度を犠牲にして, 説明可能性に有意な利益が得られなかったことが分かる。 これらの有望で解釈可能な結果は、オーロラ学者がAIベースのソリューションを信頼することを促す。

関連論文リスト

• Deep Prototypical-Parts Ease Morphological Kidney Stone Identification and are Competitively Robust to Photometric Perturbations [0.9236074230806579]
  腎結石サブタイプ当たりのプロトタイプ部分(PP)を学習し,出力分類を生成する。 我々の実装の平均精度は、最先端(SOTA)非解釈可能なDLモデルよりも1.5%低い。 本モデルでは, 対向訓練を伴わずに, 標準偏差の低い摂動画像を2.8%向上させる。
  論文  参考訳（メタデータ） (2023-04-08T17:43:31Z)
• 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)
• Boosting Kidney Stone Identification in Endoscopic Images Using Two-Step Transfer Learning [0.8431877864777444]
  提案手法は,CCDカメラで取得した腎臓結石の画像に基づいて得られた知識を,内視鏡画像から画像を分類する最終モデルに伝達する。 その結果、類似した情報を持つ異なる領域からの学習特徴が、実環境における分類を行うモデルの性能向上に有効であることが示唆された。
  論文  参考訳（メタデータ） (2022-10-24T23:22:22Z)
• Interpretable Deep Learning Classifier by Detection of Prototypical Parts on Kidney Stones Images [0.9236074230806579]
  現在、関連する前生検(形態構成分析(MCA)として知られる)は、時間がかかり、高価であり、多くの経験を必要とする。 生体内内視鏡による石の認識のための機械学習手法が開発されている。 提案手法は腎臓結石像の分類を提案し, MCA法と類似した説明を提供する。
  論文  参考訳（メタデータ） (2022-06-01T06:32:31Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• On the in vivo recognition of kidney stones using machine learning [1.6273083168563973]
  本稿では,6つの浅層機械学習手法と3つのディープラーニングアーキテクチャの腎臓結石認識性能を比較した。 また、適切な色空間とテクスチャの特徴を選択することで、浅い機械学習手法が、最も有望なディープラーニング手法の性能に近づきやすいことが示されている。
  論文  参考訳（メタデータ） (2022-01-21T19:18:42Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Assessing deep learning methods for the identification of kidney stones in endoscopic images [0.0]
  腎臓石のタイプ(すなわち生化学組成)を知ることは再発を防ぐために重要である。 尿素コピー中に腎臓結石を断片化し、尿路から抽出し、その組成を形態構成分析を用いて決定する。 本稿では、ディープ畳み込みニューラルネットワーク(DCNN)と従来の(非DCNN)の5つの分類手法について論じ、比較する。
  論文  参考訳（メタデータ） (2021-03-01T17:31:01Z)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。