論文の概要: Review of Disentanglement Approaches for Medical Applications -- Towards
Solving the Gordian Knot of Generative Models in Healthcare
- arxiv url: http://arxiv.org/abs/2203.11132v1
- Date: Mon, 21 Mar 2022 17:06:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 14:11:43.510290
- Title: Review of Disentanglement Approaches for Medical Applications -- Towards
Solving the Gordian Knot of Generative Models in Healthcare
- Title(参考訳): 医療応用における絡み合いアプローチの展望 ---医療における生成モデルのゴルディアン結び目解決に向けて-
- Authors: Jana Fragemann, Lynton Ardizzone, Jan Egger, Jens Kleesiek
- Abstract要約: 本稿では,GAN(Generative Adversarial Networks)やVAE(VAE),フローベースモデルなど,一般的な生成モデルの概要を紹介する。
理論的枠組みを導入した後,最近の医学的応用の概要を述べ,医学的応用における解離アプローチの影響と重要性について論じる。
- 参考スコア(独自算出の注目度): 3.5586630313792513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks are commonly used for medical purposes such as image
generation, segmentation, or classification. Besides this, they are often
criticized as black boxes as their decision process is often not human
interpretable. Encouraging the latent representation of a generative model to
be disentangled offers new perspectives of control and interpretability.
Understanding the data generation process could help to create artificial
medical data sets without violating patient privacy, synthesizing different
data modalities, or discovering data generating characteristics. These
characteristics might unravel novel relationships that can be related to
genetic traits or patient outcomes. In this paper, we give a comprehensive
overview of popular generative models, like Generative Adversarial Networks
(GANs), Variational Autoencoders (VAEs), and Flow-based Models. Furthermore, we
summarize the different notions of disentanglement, review approaches to
disentangle latent space representations and metrics to evaluate the degree of
disentanglement. After introducing the theoretical frameworks, we give an
overview of recent medical applications and discuss the impact and importance
of disentanglement approaches for medical applications.
- Abstract(参考訳): ディープニューラルネットワークは画像生成、セグメンテーション、分類などの医療目的に一般的に使用される。
このほか、意思決定プロセスは人間には解釈できないことが多いため、ブラックボックスとして批判されることが多い。
変換された生成モデルの潜在表現を拡大することは、制御と解釈可能性の新しい視点を提供する。
データ生成プロセスを理解することは、患者のプライバシーを侵害したり、異なるデータモダリティを合成したり、データ生成特性を発見することなく、人工的な医療データセットを作成するのに役立つ。
これらの特徴は、遺伝的特徴や患者の結果と関係のある新しい関係を解明するかもしれない。
本稿では,GAN(Generative Adversarial Networks),VAE(variantal Autoencoders),フローベースモデルなど,一般的な生成モデルの概要を紹介する。
さらに, 乱れの異なる概念を要約し, 乱れの程度を評価するために, 潜在空間表現と指標とを区別するアプローチをレビューする。
理論的枠組みを導入した後,最近の医学的応用の概要を述べ,医学的応用における解離アプローチの影響と重要性について論じる。
関連論文リスト
- Counterfactual Explanations for Medical Image Classification and Regression using Diffusion Autoencoder [38.81441978142279]
生成モデルの潜在空間を直接操作する新しい手法,特に拡散オートエンコーダ(DAE)を提案する。
このアプローチは、対実的説明(CE)の生成を可能にすることによって、固有の解釈可能性を提供する
これらの潜在表現は、脊椎圧迫骨折(VCF)や糖尿病網膜症(DR)などの病態の医学的分類と経時的回帰に有用であることを示す。
論文 参考訳(メタデータ) (2024-08-02T21:01:30Z) - 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) - Robust and Interpretable Medical Image Classifiers via Concept
Bottleneck Models [49.95603725998561]
本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。
具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
論文 参考訳(メタデータ) (2023-10-04T21:57:09Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - A Generative Modeling Framework for Inferring Families of Biomechanical
Constitutive Laws in Data-Sparse Regimes [0.15658704610960567]
本稿では,データスパース体制における関係の家族を効率的に推定する新しい手法を提案する。
機能的先行概念に着想を得て,ニューラル演算子をジェネレータとし,完全接続ネットワークを敵判別器として組み込んだ生成ネットワーク(GAN)を開発した。
論文 参考訳(メタデータ) (2023-05-04T22:07:27Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳(メタデータ) (2021-02-15T18:46:44Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳(メタデータ) (2020-09-27T12:30:30Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z)
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。