敵対変形場を用いた医用画像の疾患エビデンスの解釈【JST・京大機械翻訳】

Lanfredi Ricardo Bigolin; Schroeder Joyce D.; Vachet Clement; Tasdizen Tolga

プレプリント

J-GLOBAL ID：202202200060940960 整理番号：22P0167133

敵対変形場を用いた医用画像の疾患エビデンスの解釈【JST・京大機械翻訳】

Interpretation of Disease Evidence for Medical Images Using Adversarial Deformation Fields

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2020年07月03日プレプリントサーバーでの情報更新日： 2023年04月19日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

深層学習モデルの高い複雑性は,特定の疾患ラベルとの相関関係として認識される証拠を説明することの困難さと関連している。この情報は,モデル内の信頼構築とバイアスの発見に重要である。現在まで,自動化された深層学習可視化解は分類器により使用される画像の領域を同定したが,これらの解は粗く,雑音が多いか,あるいはその方法画像の限られた表現が変化できる。発生的敵対ネットワーク(DeFI-GAN)による変形場解釈と呼ばれる疾患証拠の空間説明を定式化し提示するための新しい方法を提案した。敵対的に訓練された発生器は,健康な患者の画像に似た病気患者の画像を修正する変形場を生成する。方法:脳MRIにおける胸部X線(CXRs)およびAlzheimer病(AD)証拠における慢性閉塞性肺疾患(COPD)証拠を研究する方法を検証した。長期的データにおける疾患証拠を抽出するとき,著者らは,ベースライン生産差マップに対して,説得力のある結果を示した。また,DeFI-GANは,データセットおよび採用された学習方法の調査に役立つ可能性がある以前の方法および潜在的バイアスによって見出されない疾患バイオマーカーを強調する。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , パターン認識 , 図形・画像処理一般

, , ,

前のページに戻る