論文の概要: Input-Dependent Fisher Information for Local Sensitivity Analysis of Medical Image Classifiers

• arxiv url: http://arxiv.org/abs/2606.16362v1
• Date: Mon, 15 Jun 2026 07:57:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.166843
• Title: Input-Dependent Fisher Information for Local Sensitivity Analysis of Medical Image Classifiers
• Title（参考訳）: 医用画像分類器の局所感度分析のための入力依存型漁業情報
• Authors: Sourya Sengupta. Mark A. Anastasio,
• Abstract要約: 本稿では,入力依存型Fisher Information Matrixに基づく局所感度分析フレームワークを提案する。 従来のピクセル単位の属性熱マップではなく、局所的な予測感度のモデル固有の記述を提供する。 その結果、iFIMフレームワークは、局所的な決定感度を解析し、医用画像における既存の属性ベースの解釈可能性手法を補完する原則的なツールとしてサポートされた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks have achieved strong performance in medical image classification, but often work like black-box. Commonly used post-hoc interpretation methods often provide heuristic visualizations whose relationship to the classifier's predictive distribution is indirect. This work introduces a local sensitivity analysis framework based on the input-dependent Fisher Information Matrix (iFIM) of a trained classifier. The iFIM characterizes how the classifier's predictive distribution changes under infinitesimal perturbations of the input image. By using a Gram-matrix formulation, the nonzero eigenspectrum of the iFIM can be recovered without explicitly forming the full image-dimensional Fisher matrix. The leading iFIM eigenspace is then used to project an input image into a high local-sensitivity component and its orthogonal component. These components provide a model-intrinsic description of local predictive sensitivity, rather than a conventional pixel-wise attribution heatmap or a causal segmentation of task-relevant anatomy. The framework is evaluated on controlled and clinical medical image classification tasks using multiple classifier architectures. Perturbation-based experiments show that high-sensitivity iFIM components are more strongly coupled to changes in predictive confidence and classification performance than lower-sensitivity complementary components. The results support the iFIM framework as a principled tool for analyzing local decision sensitivity and for complementing existing attribution-based interpretability methods in medical imaging.
• Abstract（参考訳）: ディープニューラルネットワークは、医療画像分類において強力なパフォーマンスを達成しているが、しばしばブラックボックスのように機能する。 一般的に使用されるポストホック解釈法は、分類器の予測分布との関係が間接的であるヒューリスティックな視覚化を提供することが多い。 本研究は、訓練された分類器の入力依存型フィッシャー情報行列(iFIM)に基づく局所感度分析フレームワークを提案する。 iFIMは、入力画像の無限小摂動の下で、分類器の予測分布がどのように変化するかを特徴付ける。 グラム行列の定式化により、全像次元のフィッシャー行列を明示的に形成することなく、iFIMの非ゼロ固有スペクトルを復元することができる。 先頭のiFIM固有空間は、入力画像を高感度成分とその直交成分に投影するために使用される。 これらのコンポーネントは、従来のピクセル単位の属性熱マップやタスク関連解剖学の因果セグメンテーションよりも、局所的な予測感度のモデル固有の記述を提供する。 本フレームワークは,複数の分類器アーキテクチャを用いて,管理的および臨床的医用画像分類タスクについて評価する。 摂動に基づく実験により、高感度のiFIM成分は、低感度の相補成分よりも予測信頼性と分類性能の変化に強く結びついていることが示されている。 その結果、iFIMフレームワークは、局所的な決定感度を解析し、医用画像における既存の属性ベースの解釈可能性手法を補完するための原則的ツールとして支持された。

関連論文リスト

• MAMBO-NET: Multi-Causal Aware Modeling Backdoor-Intervention Optimization for Medical Image Segmentation Network [51.68708264694361]
  融合因子は、複雑な解剖学的変異や画像のモダリティ制限などの医療画像に影響を与える可能性がある。 医用画像セグメンテーションのためのバックドア・インターベンション最適化ネットワークを提案する。 本手法は, 混乱要因の影響を著しく低減し, セグメンテーション精度を向上させる。
  論文  参考訳（メタデータ） (2025-05-28T01:40:10Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Intuitionistic Fuzzy Cognitive Maps for Interpretable Image Classification [2.130156029408832]
  本稿では,新しいフレームワーク,Interpretable Intuitionistic Fuzzy Cognitive Maps(I2FCMs)を紹介する。 直観主義的なFCMは、その出力の質を評価するためのメカニズムを提供する。 提案されたI2FCMフレームワークは、CNNを含むDLモデルに適用でき、解釈可能である。
  論文  参考訳（メタデータ） (2024-08-07T12:58:39Z)
• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  本稿では,セグメンテーションマスクの暗黙分布を表現するために,画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを紹介する。 本フレームワークは,セグメンテーションマスクの正確なサンプリングと関連する統計指標の計算を可能にする。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• FeaInfNet: Diagnosis in Medical Image with Feature-Driven Inference and Visual Explanations [4.022446255159328]
  解釈可能なディープラーニングモデルは、画像認識の分野で広く注目を集めている。 提案されている多くの解釈可能性モデルは、医用画像診断の精度と解釈性に問題がある。 これらの問題を解決するために,機能駆動型推論ネットワーク(FeaInfNet)を提案する。
  論文  参考訳（メタデータ） (2023-12-04T13:09:00Z)
• Score-Based Generative Models for Medical Image Segmentation using Signed Distance Functions [11.137438870686026]
  符号付き距離関数(SDF)を表す条件付きスコアベース生成モデリングフレームワークを提案する。 SDFを利用する利点は、二元マスクに比べて、より自然な歪みである。
  論文  参考訳（メタデータ） (2023-03-10T14:55:35Z)
• 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)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。