論文の概要: SAM-Sode: Towards Faithful Explanations for Tiny Bacteria Detection

• arxiv url: http://arxiv.org/abs/2605.21186v1
• Date: Wed, 20 May 2026 13:51:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.704433
• Title: SAM-Sode: Towards Faithful Explanations for Tiny Bacteria Detection
• Title（参考訳）: SAM-Sode:ティニー細菌検出のための忠実な説明を目指して
• Authors: Wanying Tan, Shuo Yan, Dazhi Huang, Yazheng Liu, Zili Shao, Rufeng Chen, Hechang Chen, Mude Shi, Tianxing Ji, Sihong Xie,
• Abstract要約: 物体検出における解釈可能性は、補助診断において重要な信頼性を提供する。 伝統的な説明法は、しばしばぼやけた前景の境界と拡散特徴の属性に悩まされる。 本稿では,新しいeXplainable AI(XAI)フレームワークSAM-Sodeを提案する。
• 参考スコア（独自算出の注目度）: 20.86419918691637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interpretability in object detection provides crucial confidence support for clinical auxiliary diagnosis. However, in tiny bacteria detection, traditional explanation methods often suffer from blurred foreground boundaries and diffuse feature attribution due to the extreme sparsity of target morphological features and severe interference from complex backgrounds. Such limitations hinder the provision of logically coherent morphological evidence. To bridge this gap, we propose a novel eXplainable AI (XAI) framework, SAM-Sode. The framework innovatively transforms initial feature attribution maps into geometry-aware prompts, leveraging the prior knowledge of the foundation model (SAM3) to achieve spatial refinement and morphological reconstruction of the explanatory mappings. Furthermore, we introduce a dual-constraint mechanism based on physical significance and geometric alignment to perform instance-level denoising, generating coherent explanations that better align with human expert intuition. Experimental results on our self-constructed bacteria dataset with complex circuit backgrounds (containing 2,524 images) and other public datasets demonstrate that the proposed method effectively suppresses background redundancy and significantly enhances the decision-making transparency of tiny object detection.
• Abstract（参考訳）: オブジェクト検出の解釈可能性は、臨床補助診断に重要な信頼性を提供する。 しかし、小さな細菌検出では、従来の説明法は、標的形態の特徴の極端に広がり、複雑な背景からの激しい干渉により、前景の境界がぼやけたり、拡散する特徴の属性に悩まされることが多い。 このような制限は論理的にコヒーレントな形態的証拠の提供を妨げる。 このギャップを埋めるために,新しい eXplainable AI (XAI) フレームワーク SAM-Sode を提案する。 このフレームワークは、初期特徴属性マップを幾何対応プロンプトに革新的に変換し、基礎モデル(SAM3)の事前の知識を活用して説明写像の空間的洗練と形態的再構築を実現する。 さらに、物理的重要性と幾何的アライメントに基づく二重制約機構を導入し、人間の専門家の直感とよりよく一致したコヒーレントな説明を生成する。 複雑な回路背景(2,524枚の画像を含む)を含む自己構築型細菌データセットの実験結果から,提案手法は背景の冗長性を効果的に抑制し,微小物体検出の意思決定透過性を著しく向上させることを示した。

関連論文リスト

• SAIL: Structure-Aware Interpretable Learning for Anatomy-Aligned Post-hoc Explanations in OCT [14.34264989195413]
  深層学習(DL)は、OCTベースの網膜疾患検出において専門家レベルの精度を達成したが、その「黒い箱」の性質は、臨床応用の課題となっている。 既存のポストホックな説明可能なAI(XAI)メソッドは、きめ細かい病変構造を規定したり、解剖学的境界を尊重したり、ノイズを抑えるのに苦労することが多い。 本稿では、網膜解剖学の先行情報を表現レベルで統合し、それらを意味的特徴と結合する構造認識解釈学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-04T15:13:47Z)
• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• PIME: Prototype-based Interpretable MCTS-Enhanced Brain Network Analysis for Disorder Diagnosis [29.231312772459237]
  PIMEは、本質的な解釈可能性と最小十分部分グラフ最適化を橋渡しする解釈可能なフレームワークである。 3つのベンチマークfMRIデータセットの実験は、PIMEが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-02-24T16:04:52Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Physics-Guided Dual Implicit Neural Representations for Source Separation [70.38762322922211]
  我々は,2つの暗黙的ニューラル表現フレームワークを用いて,ソース分離のための自己教師型機械学習手法を開発した。 本手法は,復元に基づく損失関数の最小化により,生データから直接学習する。 本手法は,様々な領域にまたがるソース分離問題に対処する汎用的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-07-07T17:56:31Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Occlusion Sensitivity Analysis with Augmentation Subspace Perturbation in Deep Feature Space [7.021872917042116]
  本稿では,コンピュータビジョンのための新しい摂動に基づく解釈可能性アプローチであるOcclusion Sensitivity Analysis with Deep Feature Augmentation Subspace (OSA-DAS)を紹介する。 提案手法では,DNNの出力ベクトルを用いて,深部特徴ベクトル空間内に低次元部分空間を構築する。 我々はImageNet-1kを広範囲にテストし、クラスやモデルに依存しないアプローチは一般的に使われているインタプリタよりも優れています。
  論文  参考訳（メタデータ） (2023-11-25T13:26:40Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)

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。