論文の概要: Quantifying Explanation Consistency: The C-Score Metric for CAM-Based Explainability in Medical Image Classification

• arxiv url: http://arxiv.org/abs/2604.08502v1
• Date: Thu, 09 Apr 2026 17:47:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:06.05432
• Title: Quantifying Explanation Consistency: The C-Score Metric for CAM-Based Explainability in Medical Image Classification
• Title（参考訳）: 説明整合性の定量化:医用画像分類におけるCAMによる説明可能性尺度
• Authors: Kabilan Elangovan, Daniel Ting,
• Abstract要約: CAM(Class Activation Mapping)法は、医用画像における深層学習分類器の視覚的説明を生成するために広く用いられている。 既存の評価フレームワークは、ラジオロジストアノテーションに対する局所化忠実度を用いて、説明が正しいかどうかを評価する。 Cスコア(Consistency Score, Consistency Score, C-Score, C-Score, C-Score, C-Score, C-Score, C-Score, C-Score)を提案する。
• 参考スコア（独自算出の注目度）: 5.127836966483091
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Class Activation Mapping (CAM) methods are widely used to generate visual explanations for deep learning classifiers in medical imaging. However, existing evaluation frameworks assess whether explanations are correct, measured by localisation fidelity against radiologist annotations, rather than whether they are consistent: whether the model applies the same spatial reasoning strategy across different patients with the same pathology. We propose the C-Score (Consistency Score), a confidence-weighted, annotation-free metric that quantifies intra-class explanation reproducibility via intensity-emphasised pairwise soft IoU across correctly classified instances. We evaluate six CAM techniques: GradCAM, GradCAM++, LayerCAM, EigenCAM, ScoreCAM, and MS GradCAM++ across three CNN architectures (DenseNet201, InceptionV3, ResNet50V2) over thirty training epochs on the Kermany chest X-ray dataset, covering transfer learning and fine-tuning phases. We identify three distinct mechanisms of AUC-consistency dissociation, invisible to standard classification metrics: threshold-mediated gold list collapse, technique-specific attribution collapse at peak AUC, and class-level consistency masking in global aggregation. C-Score provides an early warning signal of impending model instability. ScoreCAM deterioration on ResNet50V2 is detectable one full checkpoint before catastrophic AUC collapse and yields architecture-specific clinical deployment recommendations grounded in explanation quality rather than predictive ranking alone.
• Abstract（参考訳）: CAM(Class Activation Mapping)法は、医用画像における深層学習分類器の視覚的説明を生成するために広く用いられている。 しかし、既存の評価フレームワークでは、同じ病態を持つ異なる患者に対して同じ空間的推論戦略を適用しているかどうかを、ラジオロジスティクスアノテーションに対する局所化忠実度によって評価する。 そこで我々は,C-Score(Consistency Score)を提案する。C-Score(Consistency Score)は信頼度重み付き,アノテーションを含まないメトリクスで,クラス内説明再現性の定量化を行う。 我々は,3つのCNNアーキテクチャ(DenseNet201,InceptionV3,ResNet50V2)にわたるGradCAM,GradCAM++,LayerCAM,EigenCAM,ScoreCAM,MS GradCAM++の6つのCAM技術を評価する。 我々は,AUC-一貫性の解離の3つのメカニズムを同定し,標準分類指標には見えない,しきい値によるゴールドリスト崩壊,ピークAUCにおける技術固有の帰属崩壊,グローバルアグリゲーションにおけるクラスレベルの一貫性マスキングの3つのメカニズムを同定した。 C-Scoreは、差し迫ったモデルの不安定性の早期警告信号を提供する。 ResNet50V2のスコアCAM劣化は、破滅的なAUC崩壊の前に1つの完全なチェックポイントを検出し、予測ランキングのみではなく、説明品質に基づくアーキテクチャ固有の臨床展開推奨を与える。

関連論文リスト

• Seeing Isn't Always Believing: Analysis of Grad-CAM Faithfulness and Localization Reliability in Lung Cancer CT Classification [0.0]
  本研究は,Grad-CAMが肺がん画像分類のために訓練された深部モデルの内部決定を真に表しているかどうかを考察する。 局所化精度,摂動に基づく忠実度,説明整合性を組み合わせた定量的評価フレームワークを導入し,Grad-CAMの信頼性を評価する。 我々の研究は、医療AIにおける視覚的説明ツールのより慎重で厳格な採用を促すことを目的としており、モデルの説明を「信頼する」ことの意味を再考するようコミュニティに促している。
  論文  参考訳（メタデータ） (2026-01-19T08:35:59Z)
• Proof of Concept for Mammography Classification with Enhanced Compactness and Separability Modules [0.0]
  本研究では,最近の医用画像分類手法の検証と拡張について述べる。 Inbreast、MIAS、InceptionMのマンモグラフィコレクションを統合したKaggleデータセットを使用して、ベースラインのCNN、ConvNeXt Tiny、InceptionV3のバックボーンをGAGMとSEモジュールで強化したものだ。 その結果, GAGMとSEが特徴識別性を高め, 偽陰性を低下させる効果が確認された。 しかし,本実験では,マンモグラフィの分類条件下において,特徴平滑化損失は測定不可能な改善を得られなかった。
  論文  参考訳（メタデータ） (2025-12-06T21:36:05Z)
• 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)
• Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
  ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。 既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。 本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-16T04:34:11Z)
• Localized Perturbations For Weakly-Supervised Segmentation of Glioma Brain Tumours [0.5801621787540266]
  本研究は,脳腫瘍のセグメンテーションマスクを事前訓練した3次元分類モデルから抽出するための,局所摂動を弱教師付きソリューションとして用いることを提案する。 また,U-netアーキテクチャを用いて,任意の分類において最も関連性の高い領域を見つけるために,3次元スーパーピクセルを利用する新しい摂動法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T21:01:20Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。