論文の概要: Understanding Sources of Demographic Predictability in Brain MRI via Disentangling Anatomy and Contrast
- arxiv url: http://arxiv.org/abs/2603.04113v1
- Date: Wed, 04 Mar 2026 14:33:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-05 21:29:15.343516
- Title: Understanding Sources of Demographic Predictability in Brain MRI via Disentangling Anatomy and Contrast
- Title（参考訳）: 解剖学とコントラストを用いた脳MRIにおける画像予測可能性の理解
- Authors: Mehmet Yigit Avci, Akshit Achara, Andrew King, Jorge Cardoso,
- Abstract要約: 年齢、性別、人種などのデモグラフィック属性は、医療画像から予測することができ、臨床AIシステムのバイアスに関する懸念を提起する。
脳MRIでは、このシグナルは解剖学的変異、獲得に依存したコントラスト差、あるいは両方から生じる可能性がある。
本稿では,脳MRIを解剖学に焦点を絞った表現に分解する,アンタングル表現学習に基づくフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.675697215590061
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Demographic attributes such as age, sex, and race can be predicted from medical images, raising concerns about bias in clinical AI systems. In brain MRI, this signal may arise from anatomical variation, acquisition-dependent contrast differences, or both, yet these sources remain entangled in conventional analyses. Without disentangling them, mitigation strategies risk failing to address the underlying causes. We propose a controlled framework based on disentangled representation learning, decomposing brain MRI into anatomy-focused representations that suppress acquisition influence and contrast embeddings that capture acquisition-dependent characteristics. Training predictive models for age, sex, and race on full images, anatomical representations, and contrast-only embeddings allows us to quantify the relative contributions of structure and acquisition to the demographic signal. Across three datasets and multiple MRI sequences, we find that demographic predictability is primarily rooted in anatomical variation: anatomy-focused representations largely preserve the performance of models trained on raw images. Contrast-only embeddings retain a weaker but systematic signal that is dataset-specific and does not generalise across sites. These findings suggest that effective mitigation must explicitly account for the distinct anatomical and acquisition-dependent origins of the demographic signal, ensuring that any bias reduction generalizes robustly across domains.
- Abstract（参考訳）: 年齢、性別、人種などのデモグラフィック属性は、医療画像から予測することができ、臨床AIシステムのバイアスに関する懸念を提起する。
脳MRIでは、このシグナルは解剖学的変異、獲得に依存したコントラスト差、あるいは両方から生じるが、従来の分析ではこれらは絡み合っている。
引き離さなければ、緩和戦略は根本原因に対処できない。
本稿では,脳MRIを解剖学に焦点を絞った表現に分解し,獲得の影響を抑えるための制御フレームワークと,獲得に依存した特徴を捉えるコントラスト埋め込みを提案する。
年齢、性別、人種の予測モデルをフルイメージ、解剖学的表現、コントラストのみの埋め込みで訓練することで、人口統計信号に対する構造と獲得の相対的寄与を定量化することができる。
3つのデータセットと複数のMRIシーケンスにまたがって、人口統計学的予測可能性は主に解剖学的変異に根ざしている。
コントラストのみの埋め込みは、データセット固有のより弱いが体系的な信号を保持し、サイト全体に一般化しない。
これらの結果は、効果的な緩和は、人口統計信号の解剖学的および獲得に依存した起源を明確に説明する必要があることを示唆し、あらゆるバイアス低減がドメイン全体で堅牢に一般化されることを保証している。
関連論文リスト
- Interpretability and Individuality in Knee MRI: Patient-Specific Radiomic Fingerprint with Reconstructed Healthy Personas [40.168029561784216]
放射線指紋(Radiomic fingerprint)は、MRIから派生した患者固有の特徴である。
健康なペルソナは、各患者に対して病理のないベースラインを合成する。
病理像から抽出した特徴を人格と比較すると、正常な解剖学からの逸脱が強調される。
論文 参考訳（メタデータ） (2026-01-13T14:48:01Z) - A Structured Review and Quantitative Profiling of Public Brain MRI Datasets for Foundation Model Development [0.0]
脳MRIの基礎モデルの開発は、利用可能なデータのスケール、多様性、一貫性に依存する。
我々は538,031以上のパブリックアクセス可能な54の脳MRIデータセットを分析し、基礎モデル開発に適した構造化されたマルチレベル概要を提供する。
論文 参考訳（メタデータ） (2025-10-23T04:31:09Z) - Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。
コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。
本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文 参考訳（メタデータ） (2025-10-05T12:35:01Z) - Integrating Anatomical Priors into a Causal Diffusion Model [14.471851828800055]
3Dの脳MRI研究は、視覚的に検出するのが難しい微妙な形態計測の違いを調べることが多い。
ファクトファクトモデルは、微細な解剖学的詳細を保持するために明示的な誘導バイアスが欠如しているため、プラウジブルMRIを作成するのに苦労する。
本稿では,前述したボクセルレベルの解剖学的制約を,生成拡散フレームワークに明示的に統合することを提案する。
論文 参考訳（メタデータ） (2025-09-10T23:22:05Z) - Going beyond explainability in multi-modal stroke outcome prediction models [0.0]
我々は、xAI法であるGrad-CAMとOcclusionをマルチモーダル、部分的に解釈可能なディープトランスフォーメーションモデル(dTM)に適用する。
DTMは,曲線(AUC)の値が0.8に近い領域で,最先端の予測性能を実現する。
前頭葉などの重要な脳領域が強調された機能的結果のための脳画像dTMから算出した説明地図。
論文 参考訳（メタデータ） (2025-04-07T09:56:16Z) - Unsupervised contrastive analysis for anomaly detection in brain MRIs via conditional diffusion models [13.970483987621135]
本研究では、健康な画像に対して自己教師付きコントラストエンコーダを訓練することにより、再建品質を改善するための教師なしフレームワークを提案する。
これらの特徴は、拡散モデルを用いて、与えられた画像の健全な外観を再構成し、画素ワイド比較による解釈可能な異常な局所化を可能にする。
論文 参考訳（メタデータ） (2024-06-02T15:19:07Z) - Psychometry: An Omnifit Model for Image Reconstruction from Human Brain Activity [60.983327742457995]
人間の脳活動から見るイメージを再構築することで、人間とコンピュータのビジョンをBrain-Computer Interfaceを通して橋渡しする。
異なる被験者から得られた機能的磁気共鳴イメージング(fMRI)による画像再構成のための全能モデルであるサイコメトリを考案した。
論文 参考訳（メタデータ） (2024-03-29T07:16:34Z) - Exploiting Causality Signals in Medical Images: A Pilot Study with
Empirical Results [1.2400966570867322]
本稿では,ニューラルネットワークによる分類目的の画像から弱い因果信号を発見し,利用するための新しい手法を提案する。
このようにして、画像の1つの部分における特徴の存在が、画像の別の部分における他の特徴の出現にどのように影響するかをモデル化する。
提案手法は,畳み込みニューラルネットワークのバックボーンと因果係数抽出モジュールから構成される。
論文 参考訳（メタデータ） (2023-09-19T08:00:26Z) - 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) - Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。
まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。
第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文 参考訳（メタデータ） (2022-09-27T15:50:31Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Proactive Pseudo-Intervention: Causally Informed Contrastive Learning
For Interpretable Vision Models [103.64435911083432]
PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。
PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。
また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
論文 参考訳（メタデータ） (2020-12-06T20:30:26Z)
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。