論文の概要: DreaMR: Diffusion-driven Counterfactual Explanation for Functional MRI
- arxiv url: http://arxiv.org/abs/2307.09547v1
- Date: Tue, 18 Jul 2023 18:46:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-20 16:26:01.517577
- Title: DreaMR: Diffusion-driven Counterfactual Explanation for Functional MRI
- Title(参考訳): 拡散駆動型機能MRIのためのDreaMR
- Authors: Hasan Atakan Bedel, Tolga \c{C}ukur
- Abstract要約: 拡散駆動型逆ファクト法であるDreaMRを導入し,高い特異性,妥当性,忠実度でfMRIの解釈を可能にする。
DreaMRは、入力fMRIサンプルの拡散に基づく再サンプリングを行い、下流分類器の決定を変更し、説明のために元のサンプルと反現実的なサンプルの最小差を計算する。
ニューロイメージングデータセットに関する総合的な実験は、fMRIの解釈のための最先端のカウンターファクト法よりも、サンプル生成におけるDreaMRの特異性、忠実性、効率性が優れていることを示した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning analyses have offered sensitivity leaps in detection of
cognitive states from functional MRI (fMRI) measurements across the brain. Yet,
as deep models perform hierarchical nonlinear transformations on their input,
interpreting the association between brain responses and cognitive states is
challenging. Among common explanation approaches for deep fMRI classifiers,
attribution methods show poor specificity and perturbation methods show limited
plausibility. While counterfactual generation promises to address these
limitations, previous methods use variational or adversarial priors that yield
suboptimal sample fidelity. Here, we introduce the first diffusion-driven
counterfactual method, DreaMR, to enable fMRI interpretation with high
specificity, plausibility and fidelity. DreaMR performs diffusion-based
resampling of an input fMRI sample to alter the decision of a downstream
classifier, and then computes the minimal difference between the original and
counterfactual samples for explanation. Unlike conventional diffusion methods,
DreaMR leverages a novel fractional multi-phase-distilled diffusion prior to
improve sampling efficiency without compromising fidelity, and it employs a
transformer architecture to account for long-range spatiotemporal context in
fMRI scans. Comprehensive experiments on neuroimaging datasets demonstrate the
superior specificity, fidelity and efficiency of DreaMR in sample generation
over state-of-the-art counterfactual methods for fMRI interpretation.
- Abstract(参考訳): 深層学習分析は、脳全体にわたる機能的MRI(fMRI)測定から認知状態の検出に敏感な飛躍をもたらした。
しかし、深層モデルが入力に対して階層的非線形変換を行うため、脳の反応と認知状態の関係を解釈することは困難である。
深達度fmri分類器の一般的な説明手法では、帰属法は特異性が低く、摂動法は限定的である。
反事実生成はこれらの制限に対処することを約束するが、以前の手法では、最適なサンプルの忠実度をもたらす変動または逆の先行値を使用する。
本稿では,拡散駆動型逆ファクト法であるDreaMRを導入し,高い特異性,妥当性,忠実度でfMRIの解釈を可能にする。
DreaMRは、入力fMRIサンプルの拡散に基づく再サンプリングを行い、下流分類器の決定を変更し、説明のために元のサンプルと反実例の最小差を計算する。
従来の拡散法とは異なり、DreaMRはサンプリング効率を向上させるために新しい分数的多相蒸留拡散を利用しており、fMRIスキャンの長時間時空間を考慮したトランスフォーマーアーキテクチャを採用している。
ニューロイメージングデータセットに関する総合的な実験は、fMRIの解釈のための最先端のカウンターファクト法よりも、サンプル生成におけるDreaMRの特異性、忠実性、効率性が優れていることを示した。
関連論文リスト
- SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。
推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。
拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文 参考訳(メタデータ) (2023-10-03T05:05:35Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - Self-Supervised MRI Reconstruction with Unrolled Diffusion Models [0.7519872646378836]
自己監督型拡散再構成モデル(SSDiffRecon)を提案する。
SSDiffReconは、物理駆動処理のためのデータ一貫性ブロックと逆拡散ステップのためのクロスアテンショントランスフォーマーをインターリーブする条件拡散プロセスを表現する。
公開脳MRデータセットを用いた実験は、SSDiffReconの再構築速度と品質の点で、最先端の教師付きベースラインと自己教師付きベースラインに対する優位性を示す。
論文 参考訳(メタデータ) (2023-06-29T03:31:46Z) - Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。
拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文 参考訳(メタデータ) (2023-06-05T22:09:06Z) - Robust Fiber ODF Estimation Using Deep Constrained Spherical
Deconvolution for Diffusion MRI [7.9283612449524155]
測定したDW-MRI信号をモデル化するための一般的なプラクティスは、繊維配向分布関数(fODF)である。
DW-MRIの取得において、測定変数(サイト内およびサイト内変動、ハードウェア性能、シーケンス設計など)は避けられない。
既存のモデルベース手法(例えば、制約付き球面デコンボリューション(CSD))や学習ベース手法(例えば、ディープラーニング(DL))は、fODFモデリングにおいてそのような変動を明示的に考慮していない。
本稿では,データ駆動型深部制約付き球面デコンボリューション法を提案する。
論文 参考訳(メタデータ) (2023-06-05T14:06:40Z) - Multi-resolution Spatiotemporal Enhanced Transformer Denoising with
Functional Diffusive GANs for Constructing Brain Effective Connectivity in
MCI analysis [46.04319515616324]
効果的な接続性は、脳領域間の因果パターンを記述することができる。
これらのパターンは、病態のメカニズムを明らかにし、早期診断と認知疾患に対する効果的な薬物開発を促進する可能性がある。
本稿では,機能的磁気共鳴画像(fMRI)を軽度認知障害(MCI)解析に有効な接続性に変換するために,新しいマルチレゾリューションStemporal Enhanced Transformer Denoising Networkを提案する。
論文 参考訳(メタデータ) (2023-05-18T06:54:56Z) - A Unified Learning Model for Estimating Fiber Orientation Distribution
Functions on Heterogeneous Multi-shell Diffusion-weighted MRI [7.619657591752497]
拡散強調(DW)MRIは、各ボクセルの局所拡散過程の方向とスケールを、q空間のスペクトルを通して測定する。
近年の微細構造イメージングと多部分解の進展は、信号の放射状b値依存性に新たな注意を喚起している。
単一ステージの球面畳み込みニューラルネットワークを用いて,効率的な繊維配向分布関数推定を行う。
論文 参考訳(メタデータ) (2023-03-29T00:58:18Z) - DisC-Diff: Disentangled Conditional Diffusion Model for Multi-Contrast
MRI Super-Resolution [8.721585866050757]
マルチコントラスト脳MRI超解像のための条件拡散モデルDisC-Diffを提案する。
DisC-Diffは修復における不確実性を効果的に推定し、安定した最適化プロセスを保証する。
578個の正常脳を含むIXIデータセットと316個の病理脳を含む臨床データセットの2つのデータセットに対するDisC-Diffの有効性を検証した。
論文 参考訳(メタデータ) (2023-03-24T11:42:45Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳(メタデータ) (2020-02-25T14:48:17Z)
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。