論文の概要: ParseCaps: An Interpretable Parsing Capsule Network for Medical Image Diagnosis

• arxiv url: http://arxiv.org/abs/2411.01564v1
• Date: Sun, 03 Nov 2024 13:34:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:39:51.494707
• Title: ParseCaps: An Interpretable Parsing Capsule Network for Medical Image Diagnosis
• Title（参考訳）: ParseCaps:医療画像診断のための解釈可能なパースカプセルネットワーク
• Authors: Xinyu Geng, Jiaming Wang, Jun Xu,
• Abstract要約: 本稿では, スパースアキシャルアテンションルーティングと畳み込みカプセル層を利用した新しいカプセルネットワークParseCapsを紹介し, パースツリーのような構造を形成する。 CE-MRI、PH$2$、Derm7ptデータセットの実験結果から、ParseCapsは分類精度、冗長性低減、堅牢性で他のカプセルネットワークよりも優れているだけでなく、解釈可能な説明を提供する。
• 参考スコア（独自算出の注目度）: 6.273401483558281
• License:
• Abstract: Deep learning has excelled in medical image classification, but its clinical application is limited by poor interpretability. Capsule networks, known for encoding hierarchical relationships and spatial features, show potential in addressing this issue. Nevertheless, traditional capsule networks often underperform due to their shallow structures, and deeper variants lack hierarchical architectures, thereby compromising interpretability. This paper introduces a novel capsule network, ParseCaps, which utilizes the sparse axial attention routing and parse convolutional capsule layer to form a parse-tree-like structure, enhancing both depth and interpretability. Firstly, sparse axial attention routing optimizes connections between child and parent capsules, as well as emphasizes the weight distribution across instantiation parameters of parent capsules. Secondly, the parse convolutional capsule layer generates capsule predictions aligning with the parse tree. Finally, based on the loss design that is effective whether concept ground truth exists or not, ParseCaps advances interpretability by associating each dimension of the global capsule with a comprehensible concept, thereby facilitating clinician trust and understanding of the model's classification results. Experimental results on CE-MRI, PH$^2$, and Derm7pt datasets show that ParseCaps not only outperforms other capsule network variants in classification accuracy, redundancy reduction and robustness, but also provides interpretable explanations, regardless of the availability of concept labels.
• Abstract（参考訳）: 深層学習は、医用画像分類において優れているが、その臨床応用は、低い解釈可能性によって制限されている。 階層的関係と空間的特徴を符号化することで知られるカプセルネットワークは、この問題に対処する可能性を示している。 それでも、従来のカプセルネットワークは浅い構造のため性能が劣ることが多く、より深いバリエーションは階層的なアーキテクチャを欠いているため、解釈性は向上した。 本稿では,スパースアキシャルアテンションルーティングとパース畳み込みカプセル層を利用した新しいカプセルネットワークParseCapsを提案する。 第一に、スパースアキシャルアテンションルーティングは、子カプセルと親カプセルの接続を最適化し、親カプセルのインスタンス化パラメータ間の重量分布を強調する。 次に、パース畳み込みカプセル層は、パースツリーと整合したカプセル予測を生成する。 最後に、概念的真実が存在するか否かを効果的に判断する損失設計に基づいて、ParseCapsは、グローバルカプセルの各次元を理解可能な概念に関連付け、クリニックの信頼とモデルの分類結果の理解を促進することにより、解釈可能性を向上させる。 CE-MRI,PH$^2$,Derm7ptデータセットによる実験結果から、ParseCapsは分類精度、冗長性低減、ロバスト性において他のカプセルネットワークの亜種よりも優れているだけでなく、概念ラベルの可用性に関わらず解釈可能な説明を提供する。

関連論文リスト

• Hierarchical Object-Centric Learning with Capsule Networks [0.0]
  畳み込みニューラルネットワークの制限に対処するために、カプセルネットワーク(CapsNets)が導入された。 この論文はCapsNetsの興味深い側面を調査し、その潜在能力を解き放つための3つの重要な疑問に焦点を当てている。
  論文  参考訳（メタデータ） (2024-05-30T09:10:33Z)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• Why Capsule Neural Networks Do Not Scale: Challenging the Dynamic Parse-Tree Assumption [16.223322939363033]
  カプセルニューラルネットワークは、単純なスカラー値のニューロンをベクトル値のカプセルに置き換える。 CapsNetはカプセルニューラルネットワークの概念を実際に実装した最初のものである。 CapsNetアーキテクチャをより合理的なサイズのデータセットに拡張する作業は行われなかった。
  論文  参考訳（メタデータ） (2023-01-04T12:59:51Z)
• Learning with Capsules: A Survey [73.31150426300198]
  カプセルネットワークは、オブジェクト中心の表現を学習するための畳み込みニューラルネットワーク(CNN)に代わるアプローチとして提案された。 CNNとは異なり、カプセルネットワークは部分的に階層的な関係を明示的にモデル化するように設計されている。
  論文  参考訳（メタデータ） (2022-06-06T15:05:36Z)
• HP-Capsule: Unsupervised Face Part Discovery by Hierarchical Parsing Capsule Network [76.92310948325847]
  教師なしの顔部分発見のための階層型パーシングカプセルネットワーク(HP-Capsule Network)を提案する。 HP-Capsuleは、数字から人間の顔へのカプセルネットワークの適用を拡張し、ニューラルネットワークが人間の介入なしにオブジェクトを理解する方法を示す。
  論文  参考訳（メタデータ） (2022-03-21T01:39:41Z)
• ASPCNet: A Deep Adaptive Spatial Pattern Capsule Network for Hyperspectral Image Classification [47.541691093680406]
  本稿では,適応型空間パターンカプセルネットワーク(ASPCNet)アーキテクチャを提案する。 拡大された受容体に基づいて畳み込み核のサンプリング位置を回転させることができる。 3つの公開データセットの実験は、ASPCNetが最先端の方法よりも高い精度で競争力を発揮することを示しています。
  論文  参考訳（メタデータ） (2021-04-25T07:10:55Z)
• iCaps: An Interpretable Classifier via Disentangled Capsule Networks [25.052072276266912]
  画像分類のための解釈可能なカプセルネットワークiCapsを提案する。 iCapsは、パフォーマンスを低下させることなく、その背後に明確な根拠とともに、予測を提供する。
  論文  参考訳（メタデータ） (2020-08-20T03:44:26Z)
• Linguistically Driven Graph Capsule Network for Visual Question Reasoning [153.76012414126643]
  我々は「言語的に駆動されるグラフカプセルネットワーク」と呼ばれる階層的構成推論モデルを提案する。 具体的には,各カプセルを最下層に結合させ,元の質問に1つの単語を埋め込んだ言語的埋め込みを視覚的証拠で橋渡しする。 CLEVRデータセット、CLEVR合成生成テスト、およびFinalQAデータセットの実験は、我々のエンドツーエンドモデルの有効性と構成一般化能力を示す。
  論文  参考訳（メタデータ） (2020-03-23T03:34:25Z)
• Subspace Capsule Network [85.69796543499021]
  SubSpace Capsule Network (SCN) はカプセルネットワークのアイデアを利用して、エンティティの外観や暗黙的に定義された特性のバリエーションをモデル化する。 SCNは、テスト期間中にCNNと比較して計算オーバーヘッドを発生させることなく、識別モデルと生成モデルの両方に適用することができる。
  論文  参考訳（メタデータ） (2020-02-07T17:51:56Z)
• Examining the Benefits of Capsule Neural Networks [9.658250977094562]
  カプセルネットワーク(Capsule Network)は、従来の畳み込みニューラルネットワークの欠点に対処する可能性のある、新たに開発されたニューラルネットワークのクラスである。 標準的なスカラーアクティベーションをベクトルに置き換えることで、カプセルネットワークはコンピュータビジョンアプリケーションのための次の大きな開発を目指している。
  論文  参考訳（メタデータ） (2020-01-29T17:18:43Z)

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。