論文の概要: Counterfactual Image Synthesis for Discovery of Personalized Predictive
Image Markers
- arxiv url: http://arxiv.org/abs/2208.02311v1
- Date: Wed, 3 Aug 2022 18:58:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-05 12:16:04.578554
- Title: Counterfactual Image Synthesis for Discovery of Personalized Predictive
Image Markers
- Title(参考訳): 個人化予測画像マーカの発見のための偽画像合成
- Authors: Amar Kumar, Anjun Hu, Brennan Nichyporuk, Jean-Pierre R. Falet,
Douglas L. Arnold, Sotirios Tsaftaris, and Tal Arbel
- Abstract要約: そこで本研究では,深部条件生成モデルを用いて,主観的疾患の進展に関連があるベースライン画像の局所像特徴を摂動させることが可能であることを示す。
本モデルでは, 臨床像を反映した画像特徴の変化により, 集団レベルでのMRI像の現況を予測し, 治療効果を検証した。
- 参考スコア(独自算出の注目度): 0.293168019422713
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The discovery of patient-specific imaging markers that are predictive of
future disease outcomes can help us better understand individual-level
heterogeneity of disease evolution. In fact, deep learning models that can
provide data-driven personalized markers are much more likely to be adopted in
medical practice. In this work, we demonstrate that data-driven biomarker
discovery can be achieved through a counterfactual synthesis process. We show
how a deep conditional generative model can be used to perturb local imaging
features in baseline images that are pertinent to subject-specific future
disease evolution and result in a counterfactual image that is expected to have
a different future outcome. Candidate biomarkers, therefore, result from
examining the set of features that are perturbed in this process. Through
several experiments on a large-scale, multi-scanner, multi-center multiple
sclerosis (MS) clinical trial magnetic resonance imaging (MRI) dataset of
relapsing-remitting (RRMS) patients, we demonstrate that our model produces
counterfactuals with changes in imaging features that reflect established
clinical markers predictive of future MRI lesional activity at the population
level. Additional qualitative results illustrate that our model has the
potential to discover novel and subject-specific predictive markers of future
activity.
- Abstract(参考訳): 将来的な疾患の結果を予測する患者固有の画像マーカーの発見は、疾患の進化の個人レベルでの多様性をより理解するのに役立ちます。
実際、データ駆動型パーソナライズされたマーカーを提供するディープラーニングモデルは、医療実践で採用される可能性が高い。
本研究では,データ駆動型バイオマーカーの発見が,反実合成プロセスによって達成できることを実証する。
本研究は, 被検者固有の疾患進展に関連する基本画像の局所的画像特徴の摂動に, 深部条件生成モデルをどのように利用するかを示し, 異なる結果が期待できる偽画像を生成する。
したがって、候補バイオマーカーは、このプロセスで摂動する特徴の集合を調べることによって得られる。
大規模なマルチスキャン・多心性多発性硬化症 (MS) 臨床MRI (MR) 画像データセット(MRMR) を用いたRRMS (relapsing-remitting) 患者に対するいくつかの実験により,本モデルでは,MRI の現況を反映した画像的特徴の変化を反映した反事実が得られた。
さらなる定性的な結果は、我々のモデルが将来の活動の新規かつ主観的な予測マーカーを発見する可能性を示唆している。
関連論文リスト
- Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。
遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。
本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
論文 参考訳(メタデータ) (2024-12-30T01:59:34Z) - FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。
このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。
本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
論文 参考訳(メタデータ) (2024-10-29T21:37:03Z) - Individualized multi-horizon MRI trajectory prediction for Alzheimer's Disease [0.0]
我々は、新しいアーキテクチャをトレーニングして潜伏空間の分布を構築し、そこからサンプルを抽出し、将来的な解剖学的変化の予測を生成する。
いくつかの代替手法と比較することにより,より高解像度でより個別化された画像を生成することを示す。
論文 参考訳(メタデータ) (2024-08-04T13:09:06Z) - Enhancing predictive imaging biomarker discovery through treatment effect analysis [2.8300022117286523]
本研究は,前処理画像を利用した予測画像バイオマーカー,特定の画像特徴の発見に焦点を当てた。
作業集約的なアプローチは手作りの特徴に頼ってバイアスを起こしやすいのとは違い,画像から直接予測的特徴を学習する新たな課題が提示される。
論文 参考訳(メタデータ) (2024-06-04T17:54:44Z) - Predicting Parkinson's disease trajectory using clinical and functional MRI features: a reproduction and replication study [1.621204680136386]
パーキンソン病(英: Parkinson's disease,PD)は、神経変性疾患の1つで、病態がよく分かっておらず、早期の診断や疾患進行の予測に確立されたバイオマーカーがない。
いくつかの神経イメージングバイオマーカーが最近研究されているが、これらはコホート選択や画像解析など、いくつかの変数源に影響を受けやすい。
この研究は、PDの潜在的な神経イメージングバイオマーカーの複製可能性を研究する大規模なプロジェクトの一部である。
論文 参考訳(メタデータ) (2024-02-20T13:42:50Z) - On the notion of Hallucinations from the lens of Bias and Validity in
Synthetic CXR Images [0.35998666903987897]
拡散モデルのような生成モデルは、データ品質と臨床情報の格差を軽減することを目的としている。
スタンフォード大学の研究者たちは、医療画像データ拡張のための微調整された安定拡散モデル(RoentGen)の有用性を探求した。
我々はRoentGenを利用してChest-XRay(CXR)画像を生成し、バイアス、妥当性、幻覚の評価を行った。
論文 参考訳(メタデータ) (2023-12-12T04:41:20Z) - Genetic InfoMax: Exploring Mutual Information Maximization in
High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。
画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。
本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文 参考訳(メタデータ) (2023-09-26T03:59:21Z) - Predicting survival of glioblastoma from automatic whole-brain and tumor
segmentation of MR images [1.0179233457605892]
MR画像から自動的に計算され、機械学習モデルに入力され、患者の生存を予測できる新しい画像機能を導入する。
これらの特徴は、周囲の脳構造に腫瘍が引き起こす変形を計測し、患者の脳の様々な構造の形状と健康な人の期待される形状を比較する。
提案する特徴は, 従来の非画像的特徴以上の, 総合的および進歩的生存率の面で, 予後に有意な値を有することを示す。
論文 参考訳(メタデータ) (2021-09-25T10:49:51Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z)
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。