論文の概要: Evaluating the Impact of Medical Image Reconstruction on Downstream AI Fairness and Performance
- arxiv url: http://arxiv.org/abs/2604.10904v1
- Date: Mon, 13 Apr 2026 02:07:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.274377
- Title: Evaluating the Impact of Medical Image Reconstruction on Downstream AI Fairness and Performance
- Title（参考訳）: 医用画像再構成がダウンストリームAIの公正性と性能に及ぼす影響評価
- Authors: Matteo Wohlrapp, Niklas Bubeck, Daniel Rueckert, William Lotter,
- Abstract要約: 我々は、再構築と診断AIモデルをタンデムで適用するスケーラブルな評価フレームワークを導入する。
従来の再建基準では,診断精度がほぼ安定していながら,タスク性能の追跡が不十分であることが判明した。
公正度指標はより多様性を示し、再構築によって人口統計バイアスが増幅されることがある。
- 参考スコア（独自算出の注目度）: 18.62224900123851
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-based image reconstruction models are increasingly deployed in clinical workflows to improve image quality from noisy data, such as low-dose X-rays or accelerated MRI scans. However, these models are typically evaluated using pixel-level metrics like PSNR, leaving their impact on downstream diagnostic performance and fairness unclear. We introduce a scalable evaluation framework that applies reconstruction and diagnostic AI models in tandem, which we apply to two tasks (classification, segmentation), three reconstruction approaches (U-Net, GAN, diffusion), and two data types (X-ray, MRI) to assess the potential downstream implications of reconstruction. We find that conventional reconstruction metrics poorly track task performance, where diagnostic accuracy remains largely stable even as reconstruction PSNR declines with increasing image noise. Fairness metrics exhibit greater variability, with reconstruction sometimes amplifying demographic biases, particularly regarding patient sex. However, the overall magnitude of this additional bias is modest compared to the inherent biases already present in diagnostic models. To explore potential bias mitigation, we adapt two strategies from classification literature to the reconstruction setting, but observe limited efficacy. Overall, our findings emphasize the importance of holistic performance and fairness assessments throughout the entire medical imaging workflow, especially as generative reconstruction models are increasingly deployed.
- Abstract（参考訳）: AIベースの画像再構成モデルは、低線量X線や加速MRIスキャンなどのノイズの多いデータから画質を改善するために、臨床ワークフローにますます導入されている。
しかし、これらのモデルは通常PSNRのようなピクセルレベルのメトリクスを使用して評価され、下流の診断性能と公平性に影響を及ぼす。
本稿では,2つのタスク(分類,セグメンテーション),3つの再構成アプローチ(U-Net,GAN,拡散),2つのデータタイプ(X-ray,MRI)に適用して,再構成の下流への影響を評価する。
画像ノイズの増加に伴ってPSNRが低下しても,診断精度はほぼ安定していながら,従来の再建基準ではタスク性能の追跡が不十分であったことが判明した。
フェアネス指標は、特に患者性に関する人口動態バイアスを増幅することがあるため、より多様性を示す。
しかし、この追加バイアスの全体的な大きさは、診断モデルにすでに存在する固有のバイアスと比較して、控えめである。
バイアス緩和の可能性を探るため,分類文献から再構成環境へ2つの戦略を適用するが,効果は限定的である。
総じて, 医用画像のワークフロー全体を通して, 総合的パフォーマンスと公平性の評価の重要性を強調した。
関連論文リスト
- Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。
モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。
この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
論文 参考訳（メタデータ） (2026-04-13T03:59:54Z) - Frequency Error-Guided Under-sampling Optimization for Multi-Contrast MRI Reconstruction [24.246450246745905]
マルチコントラストMRIは,完全サンプリング参照スキャンからの補完情報を活用することで,有望な方向として現れる。
既存のアプローチには,(1)表面的参照融合戦略,(2)参照コントラストによって提供される補完情報の不十分な利用,(3)固定アンダーサンプリングパターンの3つの大きな制限がある。
本稿では,これらの問題に対処するための,効率よく解釈可能な周波数誤差誘導再構成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-14T09:40:34Z) - Automated Lesion Segmentation of Stroke MRI Using nnU-Net: A Comprehensive External Validation Across Acute and Chronic Lesions [0.0]
複数のMRIデータセットにまたがるnU-Netフレームワークを用いて脳卒中病変のセグメンテーションを評価する。
脳卒中期にはモデルが頑健な一般化を示し, セグメンテーション精度はレータ間信頼性に近づいた。
急性期において、DWIで訓練されたモデルはFLAIRベースのモデルより一貫して優れており、マルチモーダルの組み合わせからわずかに利益を得ただけだった。
慢性期脳卒中では、トレーニングセットのサイズが増加し、数百件以上のリターンが低下した。
論文 参考訳（メタデータ） (2026-01-13T16:29:20Z) - Conditional Denoising Diffusion Model-Based Robust MR Image Reconstruction from Highly Undersampled Data [11.174208209806073]
アンダーサンプリング戦略は画像の取得を加速させるが、多くの場合、画像のアーティファクトと劣化した品質をもたらす。
近年の拡散モデルでは、強力な画像先行学習により、アンダーサンプルデータから高忠実度画像の再構成が期待されている。
本稿では,反復的データ一貫性補正を伴う条件付きデノナイジング拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-07T18:01:08Z) - Evaluating structural uncertainty in accelerated MRI: are voxelwise measures useful surrogates? [1.8124328823188356]
ボクセルレベルの不確実性は形態的不確実性についての洞察を与えないことを示す。
臨床的に関連のある下流課題としてセグメンテーションを使用し、再建モードのアンサンブルを配置し、再建における不確実性を測定する。
論文 参考訳（メタデータ） (2025-03-13T16:34:22Z) - ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳（メタデータ） (2025-01-08T05:15:43Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。
我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Unveiling Fairness Biases in Deep Learning-Based Brain MRI
Reconstruction [11.766644467766557]
MRIの深層学習(DL)再建は画像の忠実度の向上と取得時間の短縮につながった。
DLアルゴリズムの公平性、特に人口統計学的特徴の観点から考えることが不可欠である。
本研究は, DLを用いた脳MRI再構成モデルにおける最初の公平性解析である。
論文 参考訳（メタデータ） (2023-09-25T11:07:25Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z)
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。