論文の概要: INSIGHT: Explainable Weakly-Supervised Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2412.02012v2
• Date: Sun, 08 Dec 2024 16:58:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:50:17.850378
• Title: INSIGHT: Explainable Weakly-Supervised Medical Image Analysis
• Title（参考訳）: INSIGHT: 説明できるほど弱められた医療画像分析
• Authors: Wenbo Zhang, Junyu Chen, Christopher Kanan,
• Abstract要約: INSIGHTは、熱マップ生成を誘導バイアスとして統合する、弱制御アグリゲータである。 CTとWSIのベンチマークでは、INSIGHTは最先端の分類結果と弱いラベル付きセマンティックセグメンテーション性能を達成する。
• 参考スコア（独自算出の注目度）: 20.635521620900978
• License:
• Abstract: Due to their large sizes, volumetric scans and whole-slide pathology images (WSIs) are often processed by extracting embeddings from local regions and then an aggregator makes predictions from this set. However, current methods require post-hoc visualization techniques (e.g., Grad-CAM) and often fail to localize small yet clinically crucial details. To address these limitations, we introduce INSIGHT, a novel weakly-supervised aggregator that integrates heatmap generation as an inductive bias. Starting from pre-trained feature maps, INSIGHT employs a detection module with small convolutional kernels to capture fine details and a context module with a broader receptive field to suppress local false positives. The resulting internal heatmap highlights diagnostically relevant regions. On CT and WSI benchmarks, INSIGHT achieves state-of-the-art classification results and high weakly-labeled semantic segmentation performance. Project website and code are available at: https://zhangdylan83.github.io/ewsmia/
• Abstract（参考訳）: ボリュームスキャンと全スライディング画像(WSI)は,そのサイズが大きいため,局所領域からの埋め込みを抽出し,その集合からアグリゲータが予測することが多い。 しかし、現在の手法では、ポストホックな可視化技術(例えば、Grad-CAM)が必要であり、小さなが臨床的に重要な詳細をローカライズできないことが多い。 これらの制約に対処するため、本研究では、熱マップ生成を誘導バイアスとして統合する、弱い教師付きアグリゲータであるINSIGHTを紹介する。 事前訓練された特徴マップから始まり、INSIGHTは小さな畳み込みカーネルを持つ検出モジュールを使用して細部を捉え、コンテキストモジュールはより広い受容領域を持ち、局所的な偽陽性を抑える。 その結果、内部のヒートマップは診断に関連のある領域を強調します。 CTとWSIのベンチマークでは、INSIGHTは最先端の分類結果と弱いラベル付きセマンティックセグメンテーション性能を達成する。 プロジェクトのWebサイトとコードは、以下の通りである。

関連論文リスト

• Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
  本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。 バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。 ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-25T13:22:17Z)
• UM-CAM: Uncertainty-weighted Multi-resolution Class Activation Maps for Weakly-supervised Fetal Brain Segmentation [15.333308330432176]
  本稿では,意味的特徴と文脈情報探索に基づく画像レベルのラベル付き弱教師付き手法を提案する。 提案手法は,画像レベルラベルを用いた最先端の弱教師付き手法よりも優れている。
  論文  参考訳（メタデータ） (2023-06-20T12:21:13Z)
• Exploring Weakly Supervised Semantic Segmentation Ensembles for Medical Imaging Systems [11.693197342734152]
  画像中の医療条件の信頼性の高い分類と検出のための枠組みを提案する。 我々のフレームワークは、まず低しきい値CAMを用いてターゲットオブジェクトを高い確実性でカバーする。 我々は,BRATSでは最大8%,DECATHLONデータセットでは6%の改善ダイススコアを実証した。
  論文  参考訳（メタデータ） (2023-03-14T13:31:05Z)
• GAN-based Medical Image Small Region Forgery Detection via a Two-Stage Cascade Framework [12.24879640482427]
  CT-GANと呼ばれる新たな攻撃が出現し、肺がんの病変をCTスキャンに注入または除去することができる。 改ざん領域が元の画像の1%未満を占めることもあるため、最先端の手法でさえ、改ざんの痕跡を検出することは困難である。 本稿では,CT-GANのようなGANベースの医療画像小領域の偽造を検出するためのカスケードフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-30T15:21:09Z)
• Boosting Few-shot Semantic Segmentation with Transformers [81.43459055197435]
  TRansformer-based Few-shot Semantic segmentation Method (TRFS) 我々のモデルは,グローバル・エンハンスメント・モジュール(GEM)とローカル・エンハンスメント・モジュール(LEM)の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2021-08-04T20:09:21Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization [64.39761523935613]
  本稿では,画像中の異常を同時検出・ローカライズするPatch Distribution Modeling, PaDiMを提案する。 PaDiMは、パッチの埋め込みに事前訓練された畳み込みニューラルネットワーク(CNN)を使用している。 また、CNNの異なるセマンティックレベル間の相関を利用して、異常のローカライズも改善している。
  論文  参考訳（メタデータ） (2020-11-17T17:29:18Z)
• High resolution weakly supervised localization architectures for medical images [3.7117844677482146]
  我々は,NIH の Chest X-Ray 14 データセット上で平均点定位精度 0.62 を達成した,高精度な教師付きローカライゼーションのモデルを提案する。 実験の結果,グローバル平均プール (GAP) とグループ正規化 (Group Normalization) がCAMの局所化精度を低下させる主要な原因であることが示唆された。
  論文  参考訳（メタデータ） (2020-10-22T06:42:00Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)
• CAFENet: Class-Agnostic Few-Shot Edge Detection Network [19.01453512012934]
  我々は、数発のセマンティックエッジ検出と呼ばれる、新しい数発の学習課題に取り組む。 また,メタ学習戦略に基づくクラス非依存Few-shot Edge Detection Network (CAFENet)を提案する。
  論文  参考訳（メタデータ） (2020-03-18T14:18:59Z)

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。