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
- 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) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳(メタデータ) (2023-11-18T14:52:26Z) - 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) - RadFusion: Benchmarking Performance and Fairness for Multimodal
Pulmonary Embolism Detection from CT and EHR [14.586822005217485]
肺塞栓症と診断されたEHRデータとCTを併用した1794例のベンチマークデータセットであるRadFusionを報告する。
以上の結果から,画像とEHRデータの統合により,集団間での正の正の比率に大きな差が生じることなく,分類性能が向上することが示唆された。
論文 参考訳(メタデータ) (2021-11-23T06:10:07Z) - 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) - ICAM-reg: Interpretable Classification and Regression with Feature
Attribution for Mapping Neurological Phenotypes in Individual Scans [3.589107822343127]
本研究では,生成的深層学習における最近の進歩を活かし,同時分類法,回帰法,特徴帰属法を開発した。
Alzheimer's Disease Neuroimaging InitiativeコホートにおけるMini-Mental State examination (MMSE)認知テストスコア予測のタスクについて検証した。
本稿では,生成したfaマップを用いて異常予測を説明し,回帰加群を組み込むことで潜在空間の不連続性を改善することを示す。
論文 参考訳(メタデータ) (2021-03-03T17:55:14Z) - 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) - Ensemble manifold based regularized multi-modal graph convolutional
network for cognitive ability prediction [33.03449099154264]
マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。
本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。
我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
論文 参考訳(メタデータ) (2021-01-20T20:53:07Z) - 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。