論文の概要: AI-based association analysis for medical imaging using latent-space geometric confounder correction

• arxiv url: http://arxiv.org/abs/2311.12836v2
• Date: Tue, 04 Mar 2025 17:24:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:12:10.373395
• Title: AI-based association analysis for medical imaging using latent-space geometric confounder correction
• Title（参考訳）: 潜在空間幾何学的共同設立補正を用いた医用画像のAIに基づく関連解析
• Authors: Xianjing Liu, Bo Li, Meike W. Vernooij, Eppo B. Wolvius, Gennady V. Roshchupkin, Esther E. Bron,
• Abstract要約: 本研究は, 人工知能に基づく医用画像解析におけるコンバウンディング効果と解釈可能性の課題について論じる。 本稿では,画像データに代えて,共同設立者関係の情報を潜在表現として保持する戦略を提案する。 その結果、共同設立者の影響力を減らし、誤りや誤解を招く協会を予防し、臨床・疫学研究者による詳細な調査にユニークな視覚的解釈を提供する方法の有効性が確認された。
• 参考スコア（独自算出の注目度）: 6.1230206418222615
• License:
• Abstract: This study addresses the challenges of confounding effects and interpretability in artificial-intelligence-based medical image analysis. Whereas existing literature often resolves confounding by removing confounder-related information from latent representations, this strategy risks affecting image reconstruction quality in generative models, thus limiting their applicability in feature visualization. To tackle this, we propose a different strategy that retains confounder-related information in latent representations while finding an alternative confounder-free representation of the image data. Our approach views the latent space of an autoencoder as a vector space, where imaging-related variables, such as the learning target (t) and confounder (c), have a vector capturing their variability. The confounding problem is addressed by searching a confounder-free vector which is orthogonal to the confounder-related vector but maximally collinear to the target-related vector. To achieve this, we introduce a novel correlation-based loss that not only performs vector searching in the latent space, but also encourages the encoder to generate latent representations linearly correlated with the variables. Subsequently, we interpret the confounder-free representation by sampling and reconstructing images along the confounder-free vector. The efficacy and flexibility of our proposed method are demonstrated across three applications, accommodating multiple confounders and utilizing diverse image modalities. Results affirm the method's effectiveness in reducing confounder influences, preventing wrong or misleading associations, and offering a unique visual interpretation for in-depth investigations by clinical and epidemiological researchers. The code is released in the following GitLab repository: https://gitlab.com/radiology/compopbio/ai_based_association_analysis}
• Abstract（参考訳）: 本研究は, 人工知能に基づく医用画像解析におけるコンバウンディング効果と解釈可能性の課題について論じる。 既存の文献では、共同創設者に関連する情報を潜在表現から取り除くことで、コンファウンディングを解消することが多いが、この戦略は、生成モデルにおける画像再構成品質に影響を与えるリスクを冒し、特徴視覚化における適用性を制限している。 そこで本稿では,画像データに代えて,画像データに代わるコンファウンデーションのないコンファウンデーションを見つけながら,コンファウンデーション関連情報を潜伏表現に保持する戦略を提案する。 本稿では,オートエンコーダの潜伏空間をベクトル空間とみなし,学習目標 (t) や共同設立者 (c) などの画像関連変数は,その変動を捉えるベクトルを持つ。 共起問題は、共起関係ベクトルに直交するが、ターゲット関連ベクトルに最大コリニアな共起自由ベクトルを探索することによって解決される。 そこで本研究では,潜在空間においてベクトル探索を行うだけでなく,変数に線形に相関した潜在表現を生成するようにエンコーダに促す新たな相関に基づく損失を提案する。 その後、画像のサンプリングと再構成により、共創者自由表現を解釈する。 提案手法の有効性と柔軟性は,複数の共同設立者を収容し,多様な画像モダリティを活用する3つのアプリケーションで実証された。 その結果、共同設立者の影響力を減らし、誤りや誤解を招く協会を予防し、臨床・疫学研究者による詳細な調査にユニークな視覚的解釈を提供する方法の有効性が確認された。 コードは次のGitLabリポジトリでリリースされている。

関連論文リスト

• CAMLD: Contrast-Agnostic Medical Landmark Detection with Consistency-Based Regularization [2.423045468361048]
  医学画像の解剖学的ランドマーク検出は、様々な臨床および研究用途に不可欠である。 既存のディープラーニング(DL)手法では、よく注釈付けされた大量のデータを必要とすることが多い。 非ラベルスキャンにおける解剖学的ランドマーク検出のための新しい自己教師型DLフレームワークであるCAMLDを紹介する。
  論文  参考訳（メタデータ） (2024-11-26T19:56:29Z)
• Abnormality-Driven Representation Learning for Radiology Imaging [0.8321462983924758]
  病変強調型コントラスト学習(LeCL)は,CTスキャンの異なる部位にわたる2次元軸方向スライスにおける異常により引き起こされる視覚的表現を得るための新しい手法である。 本研究は, 腫瘍病変位置, 肺疾患検出, 患者ステージングの3つの臨床的課題に対するアプローチを, 最先端の4つの基礎モデルと比較した。
  論文  参考訳（メタデータ） (2024-11-25T13:53:26Z)
• Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
  本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。 我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
  論文  参考訳（メタデータ） (2024-09-13T10:19:10Z)
• Learning Brain Tumor Representation in 3D High-Resolution MR Images via Interpretable State Space Models [42.55786269051626]
  本稿では,高解像度データを効率的に処理するために,ViTライクなモデルを拡張した新しい状態空間モデル (SSM) ベースのマスク付きオートエンコーダを提案する。 本稿では,入力ボリューム内の特定の領域に対応する潜時特徴の直接可視化を可能にする潜時空間マッピング手法を提案する。 本結果は,SSMに基づく自己教師型学習が,効率と解釈可能性を組み合わせた放射能解析を変換する可能性を強調した。
  論文  参考訳（メタデータ） (2024-09-12T04:36:50Z)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• 3DTINC: Time-Equivariant Non-Contrastive Learning for Predicting Disease Progression from Longitudinal OCTs [8.502838668378432]
  本研究では,非コントラスト学習に基づく縦型自己教師型学習手法である3DTINCを提案する。 3次元光コヒーレンストモグラフィ(OCT)ボリュームの摂動不変特性をOCT用に特別に設計した拡張を用いて学習するように設計されている。 加齢黄斑変性(AMD)などの網膜疾患の進行を予測するためには,この時間的情報が不可欠であることを示す実験を行った。
  論文  参考訳（メタデータ） (2023-12-28T11:47:12Z)
• 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)
• How You Split Matters: Data Leakage and Subject Characteristics Studies in Longitudinal Brain MRI Analysis [0.0]
  深層学習モデルは、医療画像分析の分野に革命をもたらし、診断と患者のケアを改善するための重要な約束を提供する。 しかし、そのパフォーマンスは「データ漏洩」という隠された落とし穴のため、誤解を招くほど楽観的である。 本研究では,脳MRI解析に3次元畳み込みニューラルネットワーク(CNN)を用いた3次元医用画像におけるデータ漏洩について検討した。
  論文  参考訳（メタデータ） (2023-09-01T09:15:06Z)
• Controllable Mind Visual Diffusion Model [58.83896307930354]
  脳信号の可視化は、人間の視覚システムとコンピュータビジョンモデルの間の重要なインターフェースとして機能する活発な研究領域として登場した。 我々は、制御可能なマインドビジュアルモデル拡散(CMVDM)と呼ばれる新しいアプローチを提案する。 CMVDMは属性アライメントとアシスタントネットワークを用いてfMRIデータから意味情報とシルエット情報を抽出する。 そして、制御モデルを利用して抽出した情報を画像合成に活用し、セマンティクスやシルエットの観点から視覚刺激によく似た画像を生成する。
  論文  参考訳（メタデータ） (2023-05-17T11:36:40Z)
• DRAC: Diabetic Retinopathy Analysis Challenge with Ultra-Wide Optical Coherence Tomography Angiography Images [51.27125547308154]
  第25回医用画像コンピューティング・コンピュータ支援介入国際会議(MICCAI 2022)にともなうDRAC糖尿病網膜症解析チャレンジの企画を行った。 この課題は、DR病変の分節化、画像品質評価、DRグレーディングの3つのタスクから構成される。 本稿では,課題の各課題について,トップパフォーマンスのソリューションと結果の要約と分析を行う。
  論文  参考訳（メタデータ） (2023-04-05T12:04:55Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。