Causality-Driven One-Shot Learning for Prostate Cancer Grading from MRI

要約

この論文では、画像内の弱い因果信号を学習して活用する、医療画像を自動的に分類する新しい方法を紹介します。
私たちのフレームワークは、畳み込みニューラル ネットワークのバックボーンと、画像のある場所に別の特徴が存在する場合に、画像のある場所の特徴の外観をモデルに通知できる特徴マップ間の因果関係を抽出する因果関係抽出モジュールで構成されています。
画像の別の場所。
低データのシナリオでのアプローチの有効性を評価するために、ワンショット学習スキームで因果関係主導のアーキテクチャをトレーニングします。そこで、次を使用して設計されたメタトレーニングとメタテストのタスクを伴う新しいメタ学習手順を提案します。
関連するクラスですが、粒度のレベルが異なります。
私たちは、公的に利用可能な前立腺 MRI 画像のデータセットに対してバイナリおよびマルチクラス分類実験を実施します。
提案された因果関係主導型モジュールの有効性を検証するために、アブレーション研究を実行し、クラス活性化マップを使用してネットワークの意思決定プロセスに強く影響を与える領域を強調表示する定性的評価を実施します。
私たちの調査結果は、特徴間の因果関係が、関連情報を識別するモデルの能力を強化し、より信頼性が高く解釈可能な予測を生み出す上で重要な役割を果たすことを示しています。
これにより、医療画像分類タスクにとって有望なアプローチとなるでしょう。

要約(オリジナル)

In this paper, we present a novel method to automatically classify medical images that learns and leverages weak causal signals in the image. Our framework consists of a convolutional neural network backbone and a causality-extractor module that extracts cause-effect relationships between feature maps that can inform the model on the appearance of a feature in one place of the image, given the presence of another feature within some other place of the image. To evaluate the effectiveness of our approach in low-data scenarios, we train our causality-driven architecture in a One-shot learning scheme, where we propose a new meta-learning procedure entailing meta-training and meta-testing tasks that are designed using related classes but at different levels of granularity. We conduct binary and multi-class classification experiments on a publicly available dataset of prostate MRI images. To validate the effectiveness of the proposed causality-driven module, we perform an ablation study and conduct qualitative assessments using class activation maps to highlight regions strongly influencing the network’s decision-making process. Our findings show that causal relationships among features play a crucial role in enhancing the model’s ability to discern relevant information and yielding more reliable and interpretable predictions. This would make it a promising approach for medical image classification tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google