Fugu-MT 論文翻訳(概要): Deep Structural Causal Shape Models

論文の概要: Deep Structural Causal Shape Models

arxiv url: http://arxiv.org/abs/2208.10950v1
Date: Tue, 23 Aug 2022 13:18:20 GMT
ステータス: 処理完了
システム内更新日: 2022-08-24 12:43:09.881438
Title: Deep Structural Causal Shape Models
Title（参考訳）: 深部構造因果形状モデル
Authors: Rajat Rasal, Daniel C. Castro, Nick Pawlowski, Ben Glocker
Abstract要約: 因果推論(Causal reasoning)は、重要な介入や反現実的な疑問を問う言語を提供する。医用画像では,遺伝的要因,環境要因,ライフスタイル要因の因果効果について検討する。形態的変動に関する因果推論を可能にするための計算ツールが不足している。
参考スコア（独自算出の注目度）: 21.591869329812283
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Causal reasoning provides a language to ask important interventional and counterfactual questions beyond purely statistical association. In medical imaging, for example, we may want to study the causal effect of genetic, environmental, or lifestyle factors on the normal and pathological variation of anatomical phenotypes. However, while anatomical shape models of 3D surface meshes, extracted from automated image segmentation, can be reliably constructed, there is a lack of computational tooling to enable causal reasoning about morphological variations. To tackle this problem, we propose deep structural causal shape models (CSMs), which utilise high-quality mesh generation techniques, from geometric deep learning, within the expressive framework of deep structural causal models. CSMs enable subject-specific prognoses through counterfactual mesh generation ("How would this patient's brain structure change if they were ten years older?"), which is in contrast to most current works on purely population-level statistical shape modelling. We demonstrate the capabilities of CSMs at all levels of Pearl's causal hierarchy through a number of qualitative and quantitative experiments leveraging a large dataset of 3D brain structures.
Abstract（参考訳）: 因果推論は、純粋に統計的な関係を超えて重要な介入的・反事実的疑問を問う言語を提供する。例えば、医学的イメージングでは、遺伝、環境、生活習慣因子が解剖学的表現型の正常および病理学的変異に与える影響を研究することができる。しかし, 自動画像分割から抽出した3次元表面メッシュの解剖学的形状モデルを確実に構築できる一方で, 形態的変動に関する因果推論を可能にする計算ツールが欠如している。そこで本研究では,構造因果モデルの表現的枠組みにおいて,幾何学的深層学習から高品質なメッシュ生成技術を活用する深層構造因果形状モデル(csms)を提案する。 CSMは、対物メッシュ生成を通じて、被験者固有の予後を可能にする("この患者の脳構造は10歳以上であればどのように変化するか")。我々は,パールの因果階層のあらゆるレベルにおいて,3次元脳構造の大規模データセットを活用した質的,定量的な実験を行い,csmの能力を示す。

関連論文リスト

MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文参考訳（メタデータ） (2024-04-11T15:46:42Z)
S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文参考訳（メタデータ） (2023-04-15T09:39:52Z)
Multimodal and multicontrast image fusion via deep generative models [3.431015735214097]
本稿では,モジュール型アプローチと分離可能な畳み込みブロックに根ざした生成モデルに基づく深層学習アーキテクチャを提案する。これは、病気の進化を予測し、薬の反応を予測し、機械的な理解と臨床試験の強化を支援するのに役立つかもしれない。
論文参考訳（メタデータ） (2023-03-28T13:31:27Z)
Distinguishing Healthy Ageing from Dementia: a Biomechanical Simulation of Brain Atrophy using Deep Networks [5.411313268782566]
健常成人およびアルツハイマー病における脳萎縮の超弾性ひずみモデリングのためのディープラーニングフレームワークについて述べる。このフレームワークは、年齢、疾患状態、スキャン間隔の影響を直接モデル化し、ストレインベースモデルが変形を推定する萎縮の局所パターンを回帰する。その結果、このフレームワークはアルツハイマー病の既知の経過に従って現実的な変形を推定でき、老化の健康パターンと老化パターンを明確に区別できることがわかった。
論文参考訳（メタデータ） (2021-08-18T15:58:53Z)
Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
論文参考訳（メタデータ） (2021-07-02T05:44:56Z)
The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文参考訳（メタデータ） (2021-07-02T01:55:18Z)
Elastic Shape Analysis of Brain Structures for Predictive Modeling of PTSD [9.922132565411664]
本稿では,脳のサブ構造を連続パラメータ化表面として表現することで,制約を克服する包括的枠組みを提案する。弾性形状測定値を用いて皮質下データの形状要約を計算し,個々の形状を主スコアで表現する。そこで我々は,脳のサブストラクチャ形状を用いてPTSDの臨床的指標を予測することを目的として,Grady Trauma Projectのデータに本手法を適用した。
論文参考訳（メタデータ） (2021-05-24T21:33:58Z)
Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease Using Structural and Synthesized Functional MRI Data [8.388888908045406]
脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。次に,大規模構造スキャンから空間整合機能画像を合成する。時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
論文参考訳（メタデータ） (2021-04-10T03:16:33Z)
Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文参考訳（メタデータ） (2021-04-07T01:15:06Z)
Discriminative and Generative Models for Anatomical Shape Analysison Point Clouds with Deep Neural Networks [3.7814216736076434]
与えられたタスクから低次元の形状表現を学習する解剖学的形状の解析のためのディープニューラルネットワークを導入する。我々のフレームワークはモジュール構造であり、基本的な形状処理タスクを実行するいくつかの計算ブロックで構成されています。本稿では, 疾患分類と年齢回帰の判別モデルと, 形状復元のための生成モデルを提案する。
論文参考訳（メタデータ） (2020-10-02T07:37:40Z)
DeepRetinotopy: Predicting the Functional Organization of Human Visual Cortex from Structural MRI Data using Geometric Deep Learning [125.99533416395765]
我々は,脳機能と解剖学の複雑な関係を構造的および機能的MRIデータから学習するために,大脳皮質の構造を活用できるディープラーニングモデルを開発した。我々のモデルは解剖学的特性だけで人間の視覚野の機能的構造を予測することができ、また個人間でのニュアンスの変化を予測することができた。
論文参考訳（メタデータ） (2020-05-26T04:54:31Z)

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。