論文の概要: Seeing What Shouldn't Be There: Counterfactual GANs for Medical Image Attribution
- arxiv url: http://arxiv.org/abs/2605.05283v1
- Date: Wed, 06 May 2026 17:30:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.340935
- Title: Seeing What Shouldn't Be There: Counterfactual GANs for Medical Image Attribution
- Title（参考訳）: 医療用画像属性の非現実的GAN
- Authors: Shakeeb Murtaza,
- Abstract要約: 画像の表示は、画像全体またはそのピクセルの特定のカテゴリへの分類に影響を与えるオブジェクトに関する洞察を与える。
既存の可視化技術のほとんどは、識別モデルに基づいており、分類器の決定に関与する入力画像の領域をハイライトする。
この問題を克服するために,CXに基づくクラス指向特徴属性法を提案する。
- 参考スコア（独自算出の注目度）: 1.8149406825355134
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ascription of an image gives insights into the objects that influence the classification of the whole image or its pixels towards a specific category. These insights help radiologists to visualize deformities in medical imaging. Most of the existing visualization techniques are based on discriminative models and highlight regions of the input image participating in the decision-making of a classifier. However, these approaches do not take all noticeable objects into account as their objective is to classify the input by using a minimal set of discriminative features. To overcome the issue, a counterfactual explanation (CX) based class-oriented feature attribution method is proposed. A counterfactual explanation (CX) explicates a causal reasoning process of the form: "if X had not happened, then Y would not have happened". The method is built on generative adversarial networks (GANs) with a cyclical-consistent loss function. We evaluate our method on three datasets: synthetic, tuberculosis and BraTS. All experiments confirm the efficacy of the proposed method. This study also highlighted the limitations of existing counterfactual explanation techniques in producing plausible counterfactual instances (CIs). Accompanying CXs with believable CIs thus provides self-explanatory analogy-based explanations. To this end, a CI generation method is proposed. Also, a novel technique is used to evaluate the quality of CI. The baseline results are produced on the BraTS dataset.
- Abstract（参考訳）: 画像の表示は、画像全体またはそのピクセルの特定のカテゴリへの分類に影響を与えるオブジェクトに関する洞察を与える。
これらの知見は、放射線学者が医療画像の変形を可視化するのに役立ちます。
既存の可視化技術のほとんどは、識別モデルに基づいており、分類器の決定に関与する入力画像の領域をハイライトする。
しかしながら、これらの手法は、最小限の識別的特徴セットを用いて入力を分類することを目的としているため、すべての顕著な対象を考慮に入れていない。
この問題を克服するために,CXに基づくクラス指向特徴属性法を提案する。
反事実的説明(英語版)(CX)は「Xが起こらなかったら、Yは起こらなかっただろう」という形式の因果的推論過程を説明している。
本手法は, 周期整合損失関数を持つGAN(Generative Adversarial Network)上に構築する。
本手法は人工,結核,BraTSの3つのデータセットで評価した。
全ての実験で提案手法の有効性が確認された。
本研究は, 有効対実例(CI)の生成において, 既存の対実的説明手法の限界を強調した。
CXと信頼性の高いCIを伴って、自己説明的なアナロジーに基づく説明を提供する。
この目的のために,CI生成手法を提案する。
また、CIの品質を評価するために新しい技術が用いられる。
ベースライン結果はBraTSデータセット上で生成される。
関連論文リスト
- A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。
我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。
がんのステージングと生存予測の課題に強いパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-03-14T20:15:04Z) - Contrastive Learning with Counterfactual Explanations for Radiology Report Generation [83.30609465252441]
放射線学レポート生成のためのtextbfCountertextbfFactual textbfExplanations-based framework (CoFE) を提案する。
反現実的な説明は、アルゴリズムによってなされた決定をどのように変えられるかを理解するための強力なツールとして、シナリオが何であるかを問うことによって役立ちます。
2つのベンチマークの実験では、反ファクト的な説明を活用することで、CoFEは意味的に一貫性があり、事実的に完全なレポートを生成することができる。
論文 参考訳（メタデータ） (2024-07-19T17:24:25Z) - When a Relation Tells More Than a Concept: Exploring and Evaluating Classifier Decisions with CoReX [1.8213611231184352]
入力画素の関連性に基づく畳み込みニューラルネットワーク(CNN)の解説は、どの入力特徴がモデル決定にどのように影響するかを評価するには、あまり特異ではないかもしれない。
本研究では,概念と関係に基づく説明器(CoReX)を用いたCNNモデルの説明と評価を行う新しい手法を提案する。
論文 参考訳（メタデータ） (2024-05-02T18:31:47Z) - Chest X-ray Image Classification: A Causal Perspective [49.87607548975686]
本稿では,CXR分類問題に対処する因果的アプローチを提案し,構造因果モデル(SCM)を構築し,CXR分類に有効な視覚情報を選択するためにバックドア調整を用いる。
実験の結果,提案手法はオープンソースNIH ChestX-ray14の分類性能に優れていた。
論文 参考訳（メタデータ） (2023-05-20T03:17:44Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Counterfactual Explanation and Instance-Generation using
Cycle-Consistent Generative Adversarial Networks [1.5469452301122175]
画像分類に依存しない新しい戦略を提案する。
我々は、Cycle-Consistency原則(別名CycleGAN)を利用して、教師なしの方法で翻訳を行う。
本手法は, 人工, 結核, BraTS の3つのデータセットについて検討した。
論文 参考訳（メタデータ） (2023-01-21T11:14:34Z) - Evaluation of Saliency-based Explainability Method [2.733700237741334]
説明可能なAI(XAI)メソッドのクラスは、CNNモデルがその動作を説明する方法としてイメージを分類するために、画像の一部を強調するために、唾液マップを提供する。
これらの手法はユーザがCNNの予測を理解するための直感的な方法を提供する。
定量的な計算テスト以外に、これらの手法が有用であることを示す証拠の大部分は逸話である。
論文 参考訳（メタデータ） (2021-06-24T05:40:50Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Explaining the Black-box Smoothly- A Counterfactual Approach [12.985758871588454]
医用イメージングアプリケーションのためのBlackBox emphCounterfactual Explainerを提案する。
本フレームワークは, 与えられた結果ラベルのセマンティック効果を徐々に強調し, 結果を説明する。
論文 参考訳（メタデータ） (2021-01-11T23:12:11Z) - This is not the Texture you are looking for! Introducing Novel
Counterfactual Explanations for Non-Experts using Generative Adversarial
Learning [59.17685450892182]
反実用説明システムは、入力画像を変更して反実用推論を可能にする。
本稿では, 対向画像から画像への変換技術に基づく, 対向画像の説明を新たに生成する手法を提案する。
その結果,我々のアプローチは,2つの最先端技術システムよりも,メンタルモデル,説明満足度,信頼度,感情,自己効力に関して有意に優れた結果をもたらすことがわかった。
論文 参考訳（メタデータ） (2020-12-22T10:08:05Z) - Combining Similarity and Adversarial Learning to Generate Visual
Explanation: Application to Medical Image Classification [0.0]
学習フレームワークを活用して視覚的説明法を作成する。
文献のメトリクスを用いることで,この手法は最先端のアプローチよりも優れています。
大規模な胸部X線データベース上でのアプローチを検証する。
論文 参考訳（メタデータ） (2020-12-14T08:34:12Z)
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。