論文の概要: X-SiT: Inherently Interpretable Surface Vision Transformers for Dementia Diagnosis

• arxiv url: http://arxiv.org/abs/2506.20267v1
• Date: Wed, 25 Jun 2025 09:24:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.675243
• Title: X-SiT: Inherently Interpretable Surface Vision Transformers for Dementia Diagnosis
• Title（参考訳）: X-SiT:認知症診断のための表面視変換器
• Authors: Fabian Bongratz, Tom Nuno Wolf, Jaume Gual Ramon, Christian Wachinger,
• Abstract要約: 皮質表面のレンダリングは、よりアクセスしやすく理解しやすい脳解剖の3D表現を提供する。 X-SiTは、解釈可能な皮質の特徴に基づいた人間の理解可能な予測を提供する、最初の本質的に解釈可能なニューラルネットワークである。 以上の結果から,アルツハイマー病と前頭側頭型認知症を診断する上での最先端の成績が示された。
• 参考スコア（独自算出の注目度）: 3.0248879829045388
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Interpretable models are crucial for supporting clinical decision-making, driving advances in their development and application for medical images. However, the nature of 3D volumetric data makes it inherently challenging to visualize and interpret intricate and complex structures like the cerebral cortex. Cortical surface renderings, on the other hand, provide a more accessible and understandable 3D representation of brain anatomy, facilitating visualization and interactive exploration. Motivated by this advantage and the widespread use of surface data for studying neurological disorders, we present the eXplainable Surface Vision Transformer (X-SiT). This is the first inherently interpretable neural network that offers human-understandable predictions based on interpretable cortical features. As part of X-SiT, we introduce a prototypical surface patch decoder for classifying surface patch embeddings, incorporating case-based reasoning with spatially corresponding cortical prototypes. The results demonstrate state-of-the-art performance in detecting Alzheimer's disease and frontotemporal dementia while additionally providing informative prototypes that align with known disease patterns and reveal classification errors.
• Abstract（参考訳）: 解釈可能なモデルは、臨床意思決定を支援し、その発展と医療画像への応用を促進するために不可欠である。 しかし、3Dボリュームデータの性質は、大脳皮質のような複雑な複雑な構造の可視化と解釈を本質的に困難にしている。 一方、皮質表面のレンダリングは、より分かりやすく理解しやすい脳解剖の3D表現を提供し、可視化と対話的な探索を容易にする。 この利点と、脳神経障害研究における表面データの利用により、我々はeXplainable Surface Vision Transformer (X-SiT)を提示した。 これは、解釈可能な皮質の特徴に基づいた人間の理解可能な予測を提供する、最初の本質的に解釈可能なニューラルネットワークである。 X-SiTの一部として、表面パッチの埋め込みを分類するためのプロトタイプ表面パッチデコーダを導入し、ケースベース推論と空間対応の皮質プロトタイプを組み込んだ。 以上の結果から,アルツハイマー病および前頭側頭型認知症を診断し,既知の疾患パターンと整合し,分類誤りを明らかにするための情報的プロトタイプも提供した。

関連論文リスト

• Leveraging Point Transformers for Detecting Anatomical Landmarks in Digital Dentistry [0.0]
  我々はMICCAI 2024の3DTeethLand Grand Challengeで行った実験について紹介する。 我々は、ポイントトランスフォーマーv3インスパイアされたモジュールを設計し、ポイント間距離を予測するために軽量デコーダによって処理される有意義な幾何学的特徴と解剖学的特徴を捉えた。 有望な結果を報告し、学習した特徴解釈可能性に関する洞察について考察する。
  論文  参考訳（メタデータ） (2025-04-15T17:34:56Z)
• Unleashing the Potential of Vision-Language Pre-Training for 3D Zero-Shot Lesion Segmentation via Mask-Attribute Alignment [11.726600999078755]
  Maleniaは、新しいマルチスケールの病変レベルのマスク属性アライメントフレームワークである。 3次元ゼロショット病変セグメンテーション用に特別に設計されている。
  論文  参考訳（メタデータ） (2024-10-21T08:01:58Z)
• Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
  被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。 我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。 予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
  論文  参考訳（メタデータ） (2024-05-24T06:06:11Z)
• A self-supervised framework for learning whole slide representations [52.774822784847565]
  我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。 バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
  論文  参考訳（メタデータ） (2024-02-09T05:05:28Z)
• An explainable three dimension framework to uncover learning patterns: A unified look in variable sulci recognition [2.960322639147262]
  我々は、高精度で低複雑さなグローバルな説明を提供することができる説明可能な人工知能(XAI)3Dフレームワークを開発した。 本フレームワークは,統計的特徴(Shape)とXAI法(GradCamとSHAP)を次元的還元と統合し,モデル学習とコホート固有変数の両方を反映した説明を確実にする。 これらの堅牢な説明は、後側頭頂部と内頭頂部を含む重要な亜領域の同定を促進した。
  論文  参考訳（メタデータ） (2023-09-02T10:46:05Z)
• An explainability framework for cortical surface-based deep learning [110.83289076967895]
  我々は,皮質表面の深層学習のためのフレームワークを開発した。 まず,表面データに摂動に基づくアプローチを適用した。 我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
  論文  参考訳（メタデータ） (2022-03-15T23:16:49Z)
• SCALE: Modeling Clothed Humans with a Surface Codec of Articulated Local Elements [62.652588951757764]
  衣服のモデル化と再構成は、調音性、非剛性変形、衣服の種類や地形の変化などにより困難である。 最近の研究では、ニューラルネットワークを使ってローカルな表面要素をパラメータ化している。 まず、人間の体モデルに基づいて表面要素を変形させます。 第2に,局所的な特徴から局所的な幾何学を回帰させることにより,既存の神経表面要素の制限を解消する。
  論文  参考訳（メタデータ） (2021-04-15T17:59:39Z)

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。