論文の概要: Explainable Image Classification with Reduced Overconfidence for Tissue Characterisation
- arxiv url: http://arxiv.org/abs/2507.23709v1
- Date: Thu, 31 Jul 2025 16:30:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:10.122395
- Title: Explainable Image Classification with Reduced Overconfidence for Tissue Characterisation
- Title（参考訳）: 組織キャラクタリゼーションのための信頼度を低減した説明可能な画像分類法
- Authors: Alfie Roddan, Chi Xu, Serine Ajlouni, Irini Kakaletri, Patra Charalampaki, Stamatia Giannarou,
- Abstract要約: 深層学習モデルの予測における過信は、画素属性における過信に変換される。
画像分類説明性を向上させるために,リスク推定を画素属性法に組み込んだ最初の手法を提案する。
- 参考スコア（独自算出の注目度）: 4.159603400026334
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The deployment of Machine Learning models intraoperatively for tissue characterisation can assist decision making and guide safe tumour resections. For image classification models, pixel attribution methods are popular to infer explainability. However, overconfidence in deep learning model's predictions translates to overconfidence in pixel attribution. In this paper, we propose the first approach which incorporates risk estimation into a pixel attribution method for improved image classification explainability. The proposed method iteratively applies a classification model with a pixel attribution method to create a volume of PA maps. This volume is used for the first time, to generate a pixel-wise distribution of PA values. We introduce a method to generate an enhanced PA map by estimating the expectation values of the pixel-wise distributions. In addition, the coefficient of variation (CV) is used to estimate pixel-wise risk of this enhanced PA map. Hence, the proposed method not only provides an improved PA map but also produces an estimation of risk on the output PA values. Performance evaluation on probe-based Confocal Laser Endomicroscopy (pCLE) data and ImageNet verifies that our improved explainability method outperforms the state-of-the-art.
- Abstract（参考訳）: 組織特徴化のための術中機械学習モデルのデプロイは、意思決定を支援し、安全な腫瘍切除をガイドする。
画像分類モデルでは、説明可能性を予測するために画素属性法が一般的である。
しかし、深層学習モデルの予測における過信は、画素属性における過信に変換される。
本稿では,リスク推定を画素属性法に組み込んだ最初のアプローチを提案する。
提案手法は,PAマップのボリュームを生成するために,画素属性法による分類モデルを反復的に適用する。
この体積が初めて使われ、PA値の画素単位での分布を生成する。
本稿では,画素分布の期待値を推定し,拡張PAマップを生成する手法を提案する。
さらに、この拡張PAマップの画素単位のリスクを推定するために、変動係数(CV)を用いる。
したがって,提案手法は改良されたPAマップを提供するだけでなく,出力されたPA値のリスクを推定する。
プローブを用いた共焦点レーザー内視鏡(pCLE)データの性能評価とImageNetにより,改良された説明可能性法が最先端技術より優れていることを確認した。
関連論文リスト
- Pixel-level Certified Explanations via Randomized Smoothing [87.48628403354351]
ポストホック属性法は, 入力画素を強調することにより, 深層学習の予測を説明することを目的としている。
小さい、知覚不能な入力摂動は、同じ予測を維持しながら、属性マップを劇的に変更することができる。
ブラックボックス属性法における画素レベルのロバスト性を保証する最初の認証フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-18T14:41:24Z) - Enhancing Neural Autoregressive Distribution Estimators for Image Reconstruction [0.0]
画像の小さな部分集合(画素パッチと呼ばれる)を観察して、画像の未観測部分を予測するという課題について検討する。
本研究では,畳み込み型自己回帰分布推定モデル(ConvNADE)の一般化版を提案する。
論文 参考訳（メタデータ） (2025-06-03T18:44:54Z) - A Meaningful Perturbation Metric for Evaluating Explainability Methods [55.09730499143998]
本稿では,画像生成モデルを用いて標的摂動を行う新しい手法を提案する。
具体的には,画像の忠実さを保ちながら,入力画像の高関連画素のみを塗布し,モデルの予測を変更することに焦点を当てる。
これは、しばしばアウト・オブ・ディストリビューションの修正を生み出し、信頼できない結果をもたらす既存のアプローチとは対照的である。
論文 参考訳（メタデータ） (2025-04-09T11:46:41Z) - Heterogeneous Image-based Classification Using Distributional Data
Analysis [0.1471145775252885]
画素レベルの特徴の確率(量子)分布を組み込んだ新しい画像ベース分布データ解析(DDA)手法を開発した。
提案手法の特徴として, (i) 画像内の不均一性を考慮し, (ii) 分布全体にわたる粒度の情報を取り込み, (iii) がん応用における未登録画像に対する画像サイズの変化に対処する能力がある。
論文 参考訳（メタデータ） (2024-03-11T19:41:40Z) - Uncertainty Quantification via Neural Posterior Principal Components [26.26693707762823]
不確実性定量化は、画像復元モデルの安全クリティカルドメインへの展開に不可欠である。
本稿では,入力画像の後方分布のPCをニューラルネットワークの単一前方通過で予測する手法を提案する。
提案手法は, インスタンス適応型不確実性方向を確実に伝達し, 後部サンプリングに匹敵する不確実性定量化を実現する。
論文 参考訳（メタデータ） (2023-09-27T09:51:29Z) - Deep Richardson-Lucy Deconvolution for Low-Light Image Deblurring [48.80983873199214]
我々は,飽和画素を学習潜時マップでモデル化するデータ駆動型手法を開発した。
新しいモデルに基づいて、非盲検除色タスクを最大後部(MAP)問題に定式化することができる。
増幅されたアーティファクトを使わずに高品質な劣化画像を推定するために,我々は事前推定ネットワークを構築した。
論文 参考訳（メタデータ） (2023-08-10T12:53:30Z) - Boosting Semi-Supervised Semantic Segmentation with Probabilistic
Representations [30.672426195148496]
本稿では,表現質を向上させるための確率的表現コントラスト学習フレームワークを提案する。
確率論の新しい視点からピクセルワイズ表現を定義する。
また,表現の信頼性を高めるため,分散分散の正規化も提案する。
論文 参考訳（メタデータ） (2022-10-26T12:47:29Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z) - Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳（メタデータ） (2020-08-25T03:30:53Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z)
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。