論文の概要: Faithful, Interpretable Chest X-ray Diagnosis with Anti-Aliased B-cos Networks

• arxiv url: http://arxiv.org/abs/2507.16761v2
• Date: Thu, 24 Jul 2025 14:58:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 13:02:36.864923
• Title: Faithful, Interpretable Chest X-ray Diagnosis with Anti-Aliased B-cos Networks
• Title（参考訳）: 抗エイリアスB-cosネットワークを用いた胸部X線診断
• Authors: Marcel Kleinmann, Shashank Agnihotri, Margret Keuper,
• Abstract要約: B-cosネットワークは、標準線形層を重み入力アライメント機構で置き換えることで、有望なソリューションを提供する。 標準的なB-cosモデルは、説明地図の深刻なエイリアスに悩まされ、臨床用途には適さない。 FLCとBlurPoolを用いたアンチエイリアス戦略を導入し、説明品質を大幅に改善した。
• 参考スコア（独自算出の注目度）: 13.303234049048426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Faithfulness and interpretability are essential for deploying deep neural networks (DNNs) in safety-critical domains such as medical imaging. B-cos networks offer a promising solution by replacing standard linear layers with a weight-input alignment mechanism, producing inherently interpretable, class-specific explanations without post-hoc methods. While maintaining diagnostic performance competitive with state-of-the-art DNNs, standard B-cos models suffer from severe aliasing artifacts in their explanation maps, making them unsuitable for clinical use where clarity is essential. In this work, we address these limitations by introducing anti-aliasing strategies using FLCPooling (FLC) and BlurPool (BP) to significantly improve explanation quality. Our experiments on chest X-ray datasets demonstrate that the modified $\text{B-cos}_\text{FLC}$ and $\text{B-cos}_\text{BP}$ preserve strong predictive performance while providing faithful and artifact-free explanations suitable for clinical application in multi-class and multi-label settings. Code available at: GitHub repository (url: https://github.com/mkleinma/B-cos-medical-paper).
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)を医療画像などの安全クリティカルな領域に展開するには、信条と解釈性が不可欠である。 B-cosネットワークは、標準線形層をウェイトインプットアライメント機構に置き換え、ポストホック法を使わずに本質的に解釈可能なクラス固有の説明を生成することにより、有望なソリューションを提供する。 最先端のDNNと競合する診断性能を維持しながら、標準的なBコスモデルでは説明地図に深刻なアーティファクトがあるため、明確性が不可欠である臨床応用には適さない。 本研究では,FLCPooling (FLC) とBlurPool (BP) を用いたアンチエイリアス戦略を導入することで,これらの制約に対処する。 胸部X線データを用いた実験により, 修正された $\text{B-cos}_\text{FLC}$ と $\text{B-cos}_\text{BP}$ は, 高い予測性能を維持しつつ, 臨床応用に適した忠実でアーティファクトのない説明をマルチクラスおよびマルチラベル設定で提供することを示した。 GitHubリポジトリ(url: https://github.com/mkleinma/B-cos-medical-paper)で公開されている。

関連論文リスト

• Diffusion-based Counterfactual Augmentation: Towards Robust and Interpretable Knee Osteoarthritis Grading [7.748673766536236]
  本稿では,モデルの堅牢性と解釈可能性を高める拡散型対実拡張(DCA)の枠組みを提案する。 このフレームワークは、モデル不確実性を堅牢なトレーニング信号に変換し、より正確で信頼性の高い自動診断システムを開発するための有望な経路を提供する。
  論文  参考訳（メタデータ） (2025-06-18T04:16:28Z)
• Holistic White-light Polyp Classification via Alignment-free Dense Distillation of Auxiliary Optical Chromoendoscopy [14.917217801444794]
  本稿では,ポリプローカライゼーションを必要とせず,フルイメージの診断を活用できる新しい包括的分類フレームワークを提案する。 重要な革新は、細粒なクロスドメイン知識の蒸留を可能にするアライメントフリーデンス蒸留(ADD)モジュールである。 提案手法は,AUCにおいて,少なくとも2.5%,16.2%の精度で,最先端性能を達成し,他の手法よりも比較的優れていた。
  論文  参考訳（メタデータ） (2025-05-25T21:09:58Z)
• Clinically-Inspired Hierarchical Multi-Label Classification of Chest X-rays with a Penalty-Based Loss Function [1.264536505250038]
  本稿では,臨床診断性を高めるマルチラベル胸部X線(CXR)画像分類法を提案する。 臨床的に有意な診断関係を捉えるため,階層的なラベル分類を取り入れた。 実験では,受信機動作特性曲線(AUROC)の0.903の平均値を得た。
  論文  参考訳（メタデータ） (2025-02-05T20:15:06Z)
• Robust-by-Design Classification via Unitary-Gradient Neural Networks [66.17379946402859]
  安全クリティカルシステムにおけるニューラルネットワークの使用には、敵攻撃が存在するため、安全で堅牢なモデルが必要である。 任意の入力 x の最小逆摂動を知るか、または同値に、分類境界から x の距離は、分類ロバスト性を評価し、証明可能な予測を与える。 Unitary-Gradient Neural Networkと呼ばれる新しいネットワークアーキテクチャが紹介される。 実験結果から,提案アーキテクチャは符号付き距離を近似し,単一の推論コストでxのオンライン分類が可能であることがわかった。
  論文  参考訳（メタデータ） (2022-09-09T13:34:51Z)
• A Benchmark for Weakly Semi-Supervised Abnormality Localization in Chest X-Rays [42.1336336144291]
  本稿では,弱い半教師付き戦略であるPoint Beyond Classを用いて,CXR異常局所化フレームワークを訓練することを提案する。 PBCの背後にある中核的な考え方は、ポイントアノテーションからバウンディングボックスへの堅牢で正確なマッピングを学ぶことです。 RSNAとVinDr-CXRデータセットの実験結果は,提案手法の有効性を正当化するものである。
  論文  参考訳（メタデータ） (2022-09-05T14:36:07Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Black-Box Diagnosis and Calibration on GAN Intra-Mode Collapse: A Pilot Study [116.05514467222544]
  現在、GAN(Generative Adversarial Network)は驚くべきリアリズムの画像を生成することができる。 懸念の1つは、最先端のGANの学習分布が依然としてモード崩壊に悩まされているかどうかである。 本稿では,GANのモード内崩壊を診断し,新たなブラックボックス設定でそれを校正する方法について検討する。
  論文  参考訳（メタデータ） (2021-07-23T06:03:55Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Interpretable COVID-19 Chest X-Ray Classification via Orthogonality Constraint [10.190872613479632]
  胸部X線画像からのCOVID-19症例の分類にOrthogonal Spheres(OS)制約を用いることの利点について検討した。 これまでの研究では、このような制約をディープラーニングモデルに適用する大きなメリットが実証されてきた。 提案手法は,2クラス・3クラス分類における精度を1.6%,4.8%向上させる。
  論文  参考訳（メタデータ） (2021-02-02T11:35:28Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)

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。