論文の概要: Looking into Concept Explanation Methods for Diabetic Retinopathy Classification
- arxiv url: http://arxiv.org/abs/2410.03188v1
- Date: Fri, 4 Oct 2024 07:01:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-03 03:04:25.023046
- Title: Looking into Concept Explanation Methods for Diabetic Retinopathy Classification
- Title（参考訳）: 糖尿病網膜症分類における概念記述法の検討
- Authors: Andrea M. Storås, Josefine V. Sundgaard,
- Abstract要約: 基礎画像を用いて糖尿病網膜症に対する糖尿病患者全員のスクリーニングは不可能である。
深層学習は、眼底画像の自動解析とグルーピングの素晴らしい結果を示している。
説明可能な人工知能手法は、ディープニューラルネットワークを説明するために応用できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diabetic retinopathy is a common complication of diabetes, and monitoring the progression of retinal abnormalities using fundus imaging is crucial. Because the images must be interpreted by a medical expert, it is infeasible to screen all individuals with diabetes for diabetic retinopathy. Deep learning has shown impressive results for automatic analysis and grading of fundus images. One drawback is, however, the lack of interpretability, which hampers the implementation of such systems in the clinic. Explainable artificial intelligence methods can be applied to explain the deep neural networks. Explanations based on concepts have shown to be intuitive for humans to understand, but have not yet been explored in detail for diabetic retinopathy grading. This work investigates and compares two concept-based explanation techniques for explaining deep neural networks developed for automatic diagnosis of diabetic retinopathy: Quantitative Testing with Concept Activation Vectors and Concept Bottleneck Models. We found that both methods have strengths and weaknesses, and choice of method should take the available data and the end user's preferences into account.
- Abstract（参考訳）: 糖尿病網膜症は糖尿病の一般的な合併症であり,眼底画像を用いた網膜異常の進行のモニタリングが重要である。
画像は医療専門家によって解釈されなければならないため、糖尿病網膜症のために糖尿病患者全員をスクリーニングすることは不可能である。
深層学習は、眼底画像の自動解析とグルーピングの素晴らしい結果を示している。
しかし、1つの欠点は、解釈可能性の欠如であり、クリニックにおけるそのようなシステムの実装を妨げている。
説明可能な人工知能手法は、ディープニューラルネットワークを説明するために応用できる。
概念に基づく説明は人間の理解には直感的であるが、糖尿病網膜症のグレーディングについては詳細は明らかにされていない。
本研究は、糖尿病網膜症の自動診断のために開発されたディープニューラルネットワークを説明するための概念に基づく2つの説明手法について検討・比較する。
いずれの方法にも長所と短所があることに気付き、メソッドの選択は利用可能なデータとエンドユーザの好みを考慮に入れなければなりません。
関連論文リスト
- 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) - DRAC: Diabetic Retinopathy Analysis Challenge with Ultra-Wide Optical
Coherence Tomography Angiography Images [51.27125547308154]
第25回医用画像コンピューティング・コンピュータ支援介入国際会議(MICCAI 2022)にともなうDRAC糖尿病網膜症解析チャレンジの企画を行った。
この課題は、DR病変の分節化、画像品質評価、DRグレーディングの3つのタスクから構成される。
本稿では,課題の各課題について,トップパフォーマンスのソリューションと結果の要約と分析を行う。
論文 参考訳（メタデータ） (2023-04-05T12:04:55Z) - Deep Semi-Supervised and Self-Supervised Learning for Diabetic
Retinopathy Detection [0.0]
糖尿病網膜症は、先進国の労働年齢層における失明の主要な原因の1つである。
深部ニューラルネットワークは眼底画像のDR分類のための自動化システムで広く利用されている。
本稿では,ラベル付き画像とラベル付き画像を利用して糖尿病網膜症を検出するモデルを訓練する半教師付き手法を提案する。
論文 参考訳（メタデータ） (2022-08-04T02:28:13Z) - Explainable and Interpretable Diabetic Retinopathy Classification Based
on Neural-Symbolic Learning [71.76441043692984]
本稿では,ニューラルシンボリック学習に基づく説明可能な,解釈可能な糖尿病網膜症(ExplainDR)分類モデルを提案する。
本稿では,眼の健康状態に関連する糖尿病網膜症の特徴を分類し,説明可能性を実現するためのヒト可読的シンボル表現を提案する。
論文 参考訳（メタデータ） (2022-04-01T00:54:12Z) - Explainable Diabetic Retinopathy Detection and Retinal Image Generation [16.140110713539023]
本稿では,医学診断における深層学習応用の解釈可能性を活用することを提案する。
糖尿病性網膜症検知器が決定に依存するニューロン活性化パターンを決定・分離することにより,病理的説明のために単離されたニューロン活性化と病変の直接的関係を示す。
ディスクリプタで符号化された症状を可視化するために,医学的に可視な網膜像を合成する新しいネットワークPatho-GANを提案する。
論文 参考訳（メタデータ） (2021-07-01T08:30:04Z) - An Interpretable Multiple-Instance Approach for the Detection of
referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。
画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。
我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文 参考訳（メタデータ） (2021-03-02T13:14:15Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳（メタデータ） (2020-08-22T07:48:04Z) - Automated Smartphone based System for Diagnosis of Diabetic Retinopathy [0.0]
糖尿病網膜症の早期診断は、農村部に住む糖尿病患者に届かなかった。
専門の眼科医の不足、医療センターの不足、診断機器の高価さなどがその理由である。
深層学習に基づく糖尿病網膜症の自動診断が本研究で実施されている。
論文 参考訳（メタデータ） (2020-04-07T14:01:36Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳（メタデータ） (2020-04-03T14:07:41Z) - Deep Learning Approach to Diabetic Retinopathy Detection [0.0]
そこで本研究では,ヒトの眼底写真から糖尿病網膜症を自動的に検出する深層学習手法を提案する。
また、異なるラベル付けの類似したデータセットを利用するトランスファーラーニングの多段階的アプローチを提案する。
本発明の方法は, 糖尿病網膜症の早期発見のためのスクリーニング法として, 感度, 特異性0。
論文 参考訳（メタデータ） (2020-03-03T21:17:46Z) - Diabetic Retinopathy detection by retinal image recognizing [0.0]
アプリケーションの開発は畳み込みニューラルネットワークを通じて行われ、各画像ピクセルをデジタル画像処理して分析する。
VGG-16を事前訓練したモデルとして応用するのは非常に有用であり、最終的なモデルの精度は82%であった。
論文 参考訳（メタデータ） (2020-01-14T16:36:59Z)
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。