論文の概要: Identifying Alzheimer's Disease Prediction Strategies of Convolutional Neural Network Classifiers using R2* Maps and Spectral Clustering

• arxiv url: http://arxiv.org/abs/2506.03890v1
• Date: Wed, 04 Jun 2025 12:35:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.323213
• Title: Identifying Alzheimer's Disease Prediction Strategies of Convolutional Neural Network Classifiers using R2* Maps and Spectral Clustering
• Title（参考訳）: R2*マップとスペクトルクラスタリングを用いた畳み込みニューラルネットワーク分類器のアルツハイマー病予測法
• Authors: Christian Tinauer, Maximilian Sackl, Stefan Ropele, Christian Langkammer,
• Abstract要約: 深層学習モデルは、R2*マップからアルツハイマー病(AD)を分類する上で、強い性能を示している。 これまでの研究では、さらなる分析を必要とするモデル決定のバイアスが示唆されていた。 我々はR2*マップ上で3次元畳み込みニューラルネットワークを訓練し、LRPを介して関連ヒートマップを生成し、スペクトルクラスタリングを適用して支配的なパターンを同定した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models have shown strong performance in classifying Alzheimer's disease (AD) from R2* maps, but their decision-making remains opaque, raising concerns about interpretability. Previous studies suggest biases in model decisions, necessitating further analysis. This study uses Layer-wise Relevance Propagation (LRP) and spectral clustering to explore classifier decision strategies across preprocessing and training configurations using R2* maps. We trained a 3D convolutional neural network on R2* maps, generating relevance heatmaps via LRP and applied spectral clustering to identify dominant patterns. t-Stochastic Neighbor Embedding (t-SNE) visualization was used to assess clustering structure. Spectral clustering revealed distinct decision patterns, with the relevance-guided model showing the clearest separation between AD and normal control (NC) cases. The t-SNE visualization confirmed that this model aligned heatmap groupings with the underlying subject groups. Our findings highlight the significant impact of preprocessing and training choices on deep learning models trained on R2* maps, even with similar performance metrics. Spectral clustering offers a structured method to identify classification strategy differences, emphasizing the importance of explainability in medical AI.
• Abstract（参考訳）: 深層学習モデルは、R2*マップからアルツハイマー病(AD)を分類する上で、強いパフォーマンスを示しているが、その決定は不透明であり、解釈可能性に関する懸念を提起している。 これまでの研究では、さらなる分析を必要とするモデル決定のバイアスが示唆されていた。 本研究ではLRPとスペクトルクラスタリングを用いて,R2*マップを用いた事前処理およびトレーニング構成の分類器決定戦略を探索する。 我々はR2*マップ上で3次元畳み込みニューラルネットワークを訓練し、LRPを介して関連ヒートマップを生成し、スペクトルクラスタリングを適用して支配的なパターンを同定した。 t-stochastic Neighbor Embedding (T-SNE) を用いたクラスタリング構造の評価を行った。 スペクトルクラスタリングでは,ADと正常制御(NC)の最も明確な分離が認められた関連誘導モデルにより,明確な決定パターンが示された。 t-SNEの可視化により,本モデルが熱マップ群と基礎となる対象群とに一致していることが確認された。 我々の研究は、R2*マップ上で訓練されたディープラーニングモデルに、前処理とトレーニングの選択が与える大きな影響を強調した。 スペクトルクラスタリングは、医療AIにおける説明可能性の重要性を強調し、分類戦略の違いを特定するための構造化された方法を提供する。

関連論文リスト

• Gradient Attention Map Based Verification of Deep Convolutional Neural Networks with Application to X-ray Image Datasets [1.0208529247755187]
  複数の相補的戦略を通じてモデル適合性を評価する包括的検証フレームワークを提案する。 まず、グラディエント・アテンション・マップ(GAM)に基づくアプローチを導入し、グラディエント・アテンション・マップを用いて注意パターンを解析する。 第2に、初期畳み込み特徴写像に検証を拡張し、注意を欠いた構造的ミスアライメントをキャプチャする。 第3に,配布外入力を明示的に拒否するために,新たなガベージクラスを分類モデルに組み込む。
  論文  参考訳（メタデータ） (2025-04-29T23:41:37Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• FORCE: Feature-Oriented Representation with Clustering and Explanation [0.0]
  SHAPに基づく教師付きディープラーニングフレームワークForceを提案する。 ニューラルネットワークアーキテクチャにおけるSHAP値の2段階の使用に依存している。 我々はForceが潜在機能とアテンションフレームワークを組み込まないネットワークと比較して、全体的なパフォーマンスを劇的に改善したことを示す。
  論文  参考訳（メタデータ） (2025-04-07T22:05:50Z)
• Development of Interpretable Machine Learning Models to Detect Arrhythmia based on ECG Data [0.0]
  この論文は、最先端モデルに基づいた畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)分類器を構築する。 大域的および局所的解釈可能性法は、依存変数と独立変数の相互作用を理解するために利用される。 提案したCNNモデルとLSTMモデルの予測を説明する上で,Grad-Camが最も効果的な解釈可能性技術であることが判明した。
  論文  参考訳（メタデータ） (2022-05-05T17:29:33Z)
• Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
  カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。 本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T12:52:49Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Cluster Activation Mapping with Applications to Medical Imaging [4.98888193036705]
  Cluster Activation Mapping (CLAM) を生成する手法を開発した。 サルコイドーシス集団の3次元CTに応用し, 純粋なCTスキャンによる新しいサルコイドーシスのクラスターを同定した。
  論文  参考訳（メタデータ） (2020-10-09T20:37:09Z)
• Attention Model Enhanced Network for Classification of Breast Cancer Image [54.83246945407568]
  AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。 微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。 3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2020-10-07T08:44:21Z)

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。