論文の概要: ProjectedEx: Enhancing Generation in Explainable AI for Prostate Cancer

• arxiv url: http://arxiv.org/abs/2501.01392v1
• Date: Thu, 02 Jan 2025 18:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 16:54:32.311835
• Title: ProjectedEx: Enhancing Generation in Explainable AI for Prostate Cancer
• Title（参考訳）: ProjectedEx: 前立腺がんのための説明可能なAIの生成を促進する
• Authors: Xuyin Qi, Zeyu Zhang, Aaron Berliano Handoko, Huazhan Zheng, Mingxi Chen, Ta Duc Huy, Vu Minh Hieu Phan, Lei Zhang, Linqi Cheng, Shiyu Jiang, Zhiwei Zhang, Zhibin Liao, Yang Zhao, Minh-Son To,
• Abstract要約: 我々は,解釈可能な多属性説明を提供する生成フレームワークであるProjectedExを提案する。 第二に,機能ピラミッドを組み込むことでエンコーダモジュールを強化し,マルチスケールフィードバックにより潜伏空間を改良する。 第3に,ジェネレータと分類器の両方について総合的な実験を行い,ProjectedExの臨床的意義と有効性を示した。
• 参考スコア（独自算出の注目度）: 14.372695272204632
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Prostate cancer, a growing global health concern, necessitates precise diagnostic tools, with Magnetic Resonance Imaging (MRI) offering high-resolution soft tissue imaging that significantly enhances diagnostic accuracy. Recent advancements in explainable AI and representation learning have significantly improved prostate cancer diagnosis by enabling automated and precise lesion classification. However, existing explainable AI methods, particularly those based on frameworks like generative adversarial networks (GANs), are predominantly developed for natural image generation, and their application to medical imaging often leads to suboptimal performance due to the unique characteristics and complexity of medical image. To address these challenges, our paper introduces three key contributions. First, we propose ProjectedEx, a generative framework that provides interpretable, multi-attribute explanations, effectively linking medical image features to classifier decisions. Second, we enhance the encoder module by incorporating feature pyramids, which enables multiscale feedback to refine the latent space and improves the quality of generated explanations. Additionally, we conduct comprehensive experiments on both the generator and classifier, demonstrating the clinical relevance and effectiveness of ProjectedEx in enhancing interpretability and supporting the adoption of AI in medical settings. Code will be released at https://github.com/Richardqiyi/ProjectedEx
• Abstract（参考訳）: 前立腺がんは、世界的な健康上の懸念が高まる中で、診断ツールの精密化が必要であり、MRI(Magnetic Resonance Imaging)は、診断精度を大幅に向上させる高解像度軟部組織イメージングを提供する。 説明可能なAIと表現学習の最近の進歩は、自動的かつ正確な病変分類を可能にすることにより、前立腺がんの診断を大幅に改善した。 しかし、既存の説明可能なAI手法、特にGAN(Generative Adversarial Network)のようなフレームワークに基づくものは、主に自然な画像生成のために開発されており、医療画像への応用はしばしば、医用画像の特徴と複雑さのために、最適以下のパフォーマンスをもたらす。 これらの課題に対処するために,本稿では3つの重要なコントリビューションを紹介する。 まず,医用画像の特徴を分類器の判断に効果的にリンクする,解釈可能な多属性説明を提供する生成フレームワークであるProjectedExを提案する。 第二に,機能ピラミッドを組み込むことでエンコーダモジュールを強化し,マルチスケールフィードバックによって潜在空間を洗練し,生成した説明の質を向上させる。 さらに、我々は、ジェネレータと分類器の両方について包括的な実験を行い、医療現場におけるAIの活用の促進と理解性向上におけるProjectedExの臨床的意義と効果を実証した。 コードはhttps://github.com/Richardqiyi/ProjectedExでリリースされる。

関連論文リスト

• CBM-RAG: Demonstrating Enhanced Interpretability in Radiology Report Generation with Multi-Agent RAG and Concept Bottleneck Models [1.7042756021131187]
  本稿では,CBM(Concept Bottleneck Models)とRAG(Multi-Agent Retrieval-Augmented Generation)システムを組み合わせた自動放射線学レポート生成フレームワークを提案する。 CBMは胸部X線の特徴を人間の理解できない臨床概念にマッピングし、透明な疾患分類を可能にする。 RAGシステムはマルチエージェントのコラボレーションと外部知識を統合し、文脈的にリッチなエビデンスベースのレポートを生成する。
  論文  参考訳（メタデータ） (2025-04-29T16:14:55Z)
• Integrating AI for Human-Centric Breast Cancer Diagnostics: A Multi-Scale and Multi-View Swin Transformer Framework [5.211860566766601]
  この論文は、乳癌の診断を強化するためのヒューマン・センターワークフローにおけるAIの統合に焦点を当てている。 診断の堅牢性と精度を高めるハイブリッド・マルチスケール・マルチビューSwin Transformerベースのフレームワーク(MSMV-Swin)を提案する。
  論文  参考訳（メタデータ） (2025-03-17T15:48:56Z)
• PRISM: High-Resolution & Precise Counterfactual Medical Image Generation using Language-guided Stable Diffusion [5.504796147401483]
  医用画像のための信頼性と一般化可能な深層学習システムの開発は、素早い相関関係、データ不均衡、データセットにおける限られたテキストアノテーションなどにより、大きな障害に直面している。 PRISMは,基礎モデルを利用して高分解能・言語誘導型医用画像対物を生成するフレームワークである。
  論文  参考訳（メタデータ） (2025-02-28T21:32:08Z)
• Residual Connection Networks in Medical Image Processing: Exploration of ResUnet++ Model Driven by Human Computer Interaction [0.4915744683251151]
  本稿では、ResNetとUnet++を組み合わせた高度なハイブリッドモデルであるResUnet++を紹介する。 臨床医と医用画像システムとのシームレスな相互作用を育みながら、腫瘍の検出と局所化を改善するように設計されている。 HCIの原則を取り入れることで、このモデルは直感的でリアルタイムなフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-12-30T04:57:26Z)
• Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
  人工知能(AI)に基づく合成データ生成は、臨床医学の届け方を変えることができる。 本研究は,無線カプセル内視鏡(WCE)画像を用いた炎症性腸疾患(IBD)の診断における概念実証による医療用SDGの臨床評価に焦点を当てた。 その結果、TIDE-IIは、最先端の生成モデルと比較して品質が向上し、臨床的に可塑性で、非常に現実的なWCE画像を生成することがわかった。
  論文  参考訳（メタデータ） (2024-10-31T19:48:50Z)
• Applying Conditional Generative Adversarial Networks for Imaging Diagnosis [3.881664394416534]
  本研究は、スタックド・ホアーグラス・ネットワーク(SHGN)と統合されたコンディショナル・ジェネレーション・アドバイザリアル・ネットワーク(C-GAN)の革新的な応用を紹介する。 我々は、複雑な画像データセットに適用されるディープラーニングモデルに共通するオーバーフィッティングの問題に、回転とスケーリングを通じてデータを増大させることで対処する。 血管内超音波(IVUS)画像において,L1とL2再構成損失を併用したハイブリッド損失関数を導入する。
  論文  参考訳（メタデータ） (2024-07-17T23:23:09Z)
• Synthetic Medical Imaging Generation with Generative Adversarial Networks For Plain Radiographs [34.98319691651471]
  本研究の目的は、再利用可能なオープンソースの合成画像生成パイプラインであるGAN画像合成ツール(GIST)を開発することである。 このパイプラインは、特定の患者に関連付けられていない高品質な合成画像データを生成することによって、デジタルヘルス空間におけるAIアルゴリズムの改善と標準化を支援する。
  論文  参考訳（メタデータ） (2024-03-28T02:51:33Z)
• Practical Applications of Advanced Cloud Services and Generative AI Systems in Medical Image Analysis [17.4235794108467]
  本稿では、医用画像における生成AIの変換可能性について考察し、合成ACM-2データを生成する能力を強調した。 データセットのサイズと多様性の制限に対処することにより、これらのモデルはより正確な診断と患者の結果の改善に寄与する。
  論文  参考訳（メタデータ） (2024-03-26T09:55:49Z)
• Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation [48.08423125835335]
  MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。 放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
  論文  参考訳（メタデータ） (2023-08-27T22:07:42Z)
• Unsupervised Iterative U-Net with an Internal Guidance Layer for Vertebrae Contrast Enhancement in Chest X-Ray Images [1.521162809610347]
  我々は,深部ニューラルネットワークを反復的に訓練することにより,X線画像の品質向上のための新しい,堅牢なアプローチを提案する。 本フレームワークは胸部X線像における脊椎の微細構造を増強する内部誘導層を含む。 実験の結果,提案手法は既存のBRISQUEスコアの精度向上手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-06-06T19:36:11Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Review of Artificial Intelligence Techniques in Imaging Data Acquisition, Segmentation and Diagnosis for COVID-19 [71.41929762209328]
  新型コロナウイルス感染症(COVID-19)のパンデミックは世界中に広がっている。 X線やCT(Computerd Tomography)などの医用画像は、世界的な新型コロナウイルス対策に欠かせない役割を担っている。 最近登場した人工知能(AI)技術は、画像ツールの力を強化し、医療専門家を支援する。
  論文  参考訳（メタデータ） (2020-04-06T15:21:34Z)

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。