論文の概要: CausalDisenSeg: A Causality-Guided Disentanglement Framework with Counterfactual Reasoning for Robust Brain Tumor Segmentation Under Missing Modalities
- arxiv url: http://arxiv.org/abs/2604.13409v1
- Date: Wed, 15 Apr 2026 02:20:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-16 20:38:32.353278
- Title: CausalDisenSeg: A Causality-Guided Disentanglement Framework with Counterfactual Reasoning for Robust Brain Tumor Segmentation Under Missing Modalities
- Title（参考訳）: CausalDisenSeg: 欠損モード下でのロバストな脳腫瘍切片に対する対実的推論による因果性誘導型遠絡フレームワーク
- Authors: Bo Liu, Yulong Zou, Jin Hong,
- Abstract要約: 臨床的には, マルチモーダル脳腫瘍セグメント化のための深層学習モデルの堅牢性は, 不完全なMRIデータによって著しく損なわれている。
この脆弱性は主として、モデルが真の解剖学的構造を学ぶのではなく、急激な相関をショートカットとして活用するモダリティバイアスに由来する。
本稿では,因果的誘導的絡み合いと反ファクト的推論によりロバストなセグメンテーションを実現する構造因果モデル(SCM)を新たに構築したCausalDisenSegを提案する。
- 参考スコア（独自算出の注目度）: 14.27898790157402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In clinical practice, the robustness of deep learning models for multimodal brain tumor segmentation is severely compromised by incomplete MRI data. This vulnerability stems primarily from modality bias, where models exploit spurious correlations as shortcuts rather than learning true anatomical structures. Existing feature fusion methods fail to fundamentally eliminate this dependency. To address this, we propose CausalDisenSeg, a novel Structural Causal Model (SCM)-grounded framework that achieves robust segmentation via causality-guided disentanglement and counterfactual reasoning. We reframe the problem as isolating the anatomical Causal Factor from the stylistic Bias Factor. Our framework implements a three-stage causal intervention: (1) Explicit Causal Disentanglement: A Conditional Variational Autoencoder (CVAE) coupled with an HSIC constraint mathematically enforces statistical orthogonality between anatomical and style features. (2) Causal Representation Reinforcement: A Region Causality Module (RCM) explicitly grounds causal features in physical tumor regions. (3) Counterfactual Reasoning: A dual-adversarial strategy actively suppresses the residual Natural Direct Effect (NDE) of the bias, forcing its spatial attention to be mutually exclusive from the causal path. Extensive experiments on the BraTS 2020 dataset demonstrate that CausalDisenSeg significantly outperforms state-of-the-art methods in accuracy and consistency across severe missing-modality scenarios. Furthermore, cross-dataset evaluation on BraTS 2023 under the same protocol yields a state-of-the-art macro-average DSC of 84.49.
- Abstract（参考訳）: 臨床的には, マルチモーダル脳腫瘍セグメント化のための深層学習モデルの堅牢性は, 不完全なMRIデータによって著しく損なわれている。
この脆弱性は主として、モデルが真の解剖学的構造を学ぶのではなく、急激な相関をショートカットとして活用するモダリティバイアスに由来する。
既存のフィーチャーフュージョンメソッドは、この依存関係を根本的に排除することができない。
そこで本研究では,因果性誘導不整合と反実的推論による堅牢なセグメンテーションを実現する新しい構造因果モデル(Structure Causal Model, SCM)の枠組みであるCausalDisenSegを提案する。
構造的バイアス因子から解剖学的因果因子を分離するものとして問題を再構築する。
1) 因果解離: 条件変分オートエンコーダ (CVAE) とHSIC制約を併用して, 解剖学的特徴とスタイル特徴の統計的直交性を数学的に強制する。
2) Causal Representation Reinforcement: A Region Causality Module (RCM) は, 腫瘍部位の因果的特徴を明確化する。
3)非現実的推論:双対的戦略はバイアスの残留自然効果(NDE)を積極的に抑制し,空間的注意を因果経路から排他的に排除する。
BraTS 2020データセットの大規模な実験によると、CausalDisenSegは深刻な欠落したモダリティシナリオにおいて、精度と一貫性において最先端の手法を大幅に上回っている。
さらに、同じプロトコルでBraTS 2023上でのクロスデータセット評価により、最先端のマクロ平均DSCは84.49である。
関連論文リスト
- MedCausalX: Adaptive Causal Reasoning with Self-Reflection for Trustworthy Medical Vision-Language Models [10.466505116993451]
既存の医療連鎖モデルには因果推論を表現・強制するための明確なメカニズムが欠如している。
MedCausalXは医療用VLMの因果推論チェーンを明示的にモデル化したエンドツーエンドフレームワークである。
我々は,MedCausalXが常に最先端の手法より優れ,診断の整合性は+5.4ポイント向上し,幻覚は10ポイント以上減少し,最上位の空間接地IoUに達することを示す。
論文 参考訳（メタデータ） (2026-03-24T11:28:15Z) - Disentangling History and Propagation Dependencies in Cross-Subject Knee Contact Stress Prediction Using a Shared MeshGraphNet Backbone [0.8283940114367679]
予測の不確実性の主な原因が時間的履歴依存か空間的伝播依存かは、まだ不明である。
OpenSim-FEBioワークフローを使用して、9つの被験者による試行のデータセットを構築した。
ヒストリーエンコーディングを組み込んだモデルは、大域的精度と空間的整合性において、ベースラインMGNとModMGNを大きく上回った。
論文 参考訳（メタデータ） (2026-01-13T08:15:57Z) - CausalMamba: Scalable Conditional State Space Models for Neural Causal Inference [3.1641441457189496]
本稿では,fMRIに基づく因果推論の基本的制約に対処するスケーラブルなフレームワークCausalMambaを紹介する。
提案手法は,この複雑な逆問題を,潜在神経活動の回復のためのBOLDデコンボリューションと因果グラフ推論の2段階に分解する。
論文 参考訳（メタデータ） (2025-10-20T09:04:25Z) - A Neural Framework for Generalized Causal Sensitivity Analysis [78.71545648682705]
本稿では,因果感受性分析のためのニューラルネットワークフレームワークであるNeuralCSAを提案する。
我々は、NeuralCSAが関心の因果クエリに有効な境界を推測できることを理論的に保証する。
論文 参考訳（メタデータ） (2023-11-27T17:40:02Z) - CASR: Refining Action Segmentation via Marginalizing Frame-levle Causal
Relationships [23.035761299444953]
ビデオ因果性を高めることにより,様々なモデルからTAS結果を洗練することができるCausal Abstraction Refiner (CASR)を提案する。
フレームレベルのカジュアルモデルとセグメントレベルのカジュアルモデルを定義し,フレームレベルの因果関係から構築された因果関係行列がセグムネットレベルの因果関係を表現する能力を持つようにした。
論文 参考訳（メタデータ） (2023-11-21T07:28:51Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - 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) - ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。
Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。
純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
論文 参考訳（メタデータ） (2021-03-26T02:42:38Z) - A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。
本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。
我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文 参考訳（メタデータ） (2020-02-23T22:52:28Z)
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。