論文の概要: Learning from the Right Regions: Class-Conditioned Explanation Guidance for Medical Imaging

• arxiv url: http://arxiv.org/abs/2610.24381v1
• Date: Sat, 17 Oct 2026 02:27:03 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:52:19.095055
• Title: Learning from the Right Regions: Class-Conditioned Explanation Guidance for Medical Imaging
• Title（参考訳）: 正しい地域から学ぶ:医用イメージングのためのクラス定義説明指導
• Abstract要約: ディープニューラルネットワークは、予測された発見とは無関係な領域に依存しながら、医用画像において強力な予測性能を達成することができる。 本稿では,各正のクラスに対して別々に説明を行い,そのクラス固有の注釈付き領域の外に証拠をペナルティ化する,クラス条件による説明誘導学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Deep neural networks can achieve strong predictive performance in medical imaging while relying on regions unrelated to the predicted finding. Explanation-guided learning can address this problem, but multi-label classification introduces a key challenge: multiple abnormalities may coexist in an image, requiring each prediction to align with its corresponding spatial evidence. We propose a class-conditioned explanation-guided learning framework that constructs a separate explanation for each positive class and penalizes evidence outside its class-specific annotated regions. We instantiate the framework using Gradient-weighted Class Activation Mapping (Grad-CAM) and evaluate it on 14 abnormalities using EfficientNet-B1, ViT-B/16, ViT-B/32, and Swin-B. Explanation guidance substantially improves annotation alignment across all architectures: All-Saliency Precision increases from 0.140 to 0.625, 0.052 to 0.551, 0.060 to 0.403, and 0.095 to 0.570, respectively. These improvements are accompanied by smaller, architecture-dependent changes in classification performance. Our results show that class-conditioned explanation guidance can substantially improve where multi-label classifiers concentrate their explanatory evidence while largely preserving predictive performance.
• Abstract（参考訳）: ディープニューラルネットワークは、予測された発見とは無関係な領域に依存しながら、医用画像において強力な予測性能を達成することができる。 説明誘導学習(Explaination-guided learning)はこの問題に対処できるが、マルチラベル分類(multi-label classification)は重要な課題をもたらす。 本稿では,各正のクラスに対して別々に説明を行い,そのクラス固有の注釈付き領域の外に証拠をペナルティ化する,クラス条件による説明誘導学習フレームワークを提案する。 グラディエント重み付きクラス活性化マッピング(Grad-CAM)を用いてフレームワークをインスタンス化し、効率的なNet-B1, ViT-B/16, ViT-B/32, Swin-Bを用いて14の異常について評価する。 全精度は0.140から0.625、0.052から0.551、0.060から0.403、0.095から0.570に向上する。 これらの改善は、より小さく、アーキテクチャに依存した分類性能の変更を伴う。 その結果,多ラベル分類器が説明的証拠に集中し,予測性能を保ちながら,クラス条件による説明指導が大幅に改善できることが示唆された。

関連論文リスト

• Interpreting Biomedical VLMs on High-Imbalance Out-of-Distributions: An Insight into BiomedCLIP on Radiology [0.0]
  我々は、高度にバランスの取れない、アウト・オブ・ディストリビューションな医療データセットに適用した場合、BiomedCLIPの限界を分析する。 ゼロショット設定下でのモデルは,すべてのラベルを過度に予測し,精度の低下とクラス間分離性に繋がることを示す。 我々は、現実の環境で信頼性と適用性を高めるために、モデルの慎重な適応の必要性を強調します。
  論文  参考訳（メタデータ） (2025-06-17T02:59:42Z)
• Variational Supervised Contrastive Learning [50.79938854370321]
  本稿では,教師付きコントラスト学習を潜在クラス変数に対する変分推論として再構成した変分教師付きコントラスト学習(VarCon)を提案する。 VarConは対照的な学習フレームワークの最先端のパフォーマンスを達成し、ImageNet-1Kでは79.36%、CIFAR-100では78.29%、ResNet-50エンコーダでは78.29%に達した。
  論文  参考訳（メタデータ） (2025-06-09T04:19:12Z)
• Global explainability of a deep abstaining classifier [1.6592225881659535]
  我々は,実世界のマルチタスク畳み込みニューラルネットワーク (MTCNN) を用いた深部吸収分類器 (DAC) の組織学的予測タスクにおいて,エラー源を特徴付けるグローバルな説明可能性法を提案する。 本分類法は1億4400万件の手書き検査で評価され,各報告の癌部位, サブサイト, 組織学, 側方性, 行動の同時予測を行った。
  論文  参考訳（メタデータ） (2025-04-01T21:34:10Z)
• Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
  最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。 本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。 そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-12-07T18:37:43Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Fine-Grained Visual Classification using Self Assessment Classifier [12.596520707449027]
  識別的特徴の抽出は、きめ細かい視覚的分類タスクにおいて重要な役割を担っている。 本稿では,画像とトップkの予測クラスを同時に活用する自己評価手法を提案する。 本手法は,CUB200-2011,Stanford Dog,FGVC Aircraft のデータセットに対して,最新の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-05-21T07:41:27Z)
• Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
  本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。 まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。 第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
  論文  参考訳（メタデータ） (2021-08-29T05:45:03Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Does Your Dermatology Classifier Know What It Doesn't Know? Detecting the Long-Tail of Unseen Conditions [18.351120611713586]
  皮膚の状態を正確に分類できる深層学習システムを開発し,厳密に評価した。 このタスクは、アウトオブディストリビューション(OOD)検出問題としてフレーム化します。 我々の新しいアプローチである階層外乱検出(HOD)は、各トレーニングクラスに対して複数の禁制クラスを割り当て、インレーヤ対外乱の粗い分類を共同で行う。
  論文  参考訳（メタデータ） (2021-04-08T15:15:22Z)

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。