論文の概要: A Neuroimaging Simulation Framework for Developing and Evaluating Causal AI

• arxiv url: http://arxiv.org/abs/2606.28684v1
• Date: Sat, 27 Jun 2026 01:54:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.642631
• Title: A Neuroimaging Simulation Framework for Developing and Evaluating Causal AI
• Title（参考訳）: 因果AIの開発と評価のためのニューロイメージング・シミュレーション・フレームワーク
• Authors: Eryn Libert-Scott, Emma A. M. Stanley, Vibujithan Vigneshwaran, Matthias Wilms, Erik Y. Ohara, Nils D. Forkert,
• Abstract要約: 疾患関連因子と画像由来のバイオマーカーを因果的に結びつけることは、疾患のメカニズムを理解するための強力な経路となる。 我々の枠組みは、明確な因果制御によるリアルな合成3Dニューロ画像の生成を可能にする最初のフレームワークである。
• 参考スコア（独自算出の注目度）: 4.689140226545214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causally linking disease-related factors to image-derived biomarkers provides a powerful pathway to understanding disease mechanisms. Despite growing interest in applying causal artificial intelligence (AI) approaches for this task, these methods still need to be adapted for complex medical images, and especially, neuroimaging. However, the lack of ground-truth data presents a barrier to development. To bridge this gap, we developed and tested a method for generating synthetic neuroimages, which adhere to a user-specified causal structure describing the non-image to image variable relationships, permitting the creation of ground-truth neuroimaging datasets. In the simulated T1-weighted magnetic resonance images, anatomical variability is modeled by sampling from a subspace estimated from real data and deforming a template image to create unique simulated subjects. Causal relationships are encoded via precise volumetric changes of any region-of-interest without unwanted global artifacts. We achieved relative volume errors of 0.3-2.66% for the targeted regions-of-interest and demonstrate their statistically significant causal relationships, while maintaining mean absolute errors for non-target brain regions between 0.034-0.397ml. An initial evaluation of causal discovery methods exposes their limited ability to suppress spurious connections, highlighting the need for image-appropriate methods. Our framework is the first to enable the generation of realistic synthetic 3D neuroimages with explicit causal control that can serve as the missing ground-truth data necessary for the objective benchmarking and development of causal AI methods.
• Abstract（参考訳）: 疾患関連因子と画像由来のバイオマーカーを因果的に結びつけることは、疾患のメカニズムを理解するための強力な経路となる。 このタスクに因果人工知能(AI)アプローチを適用することへの関心が高まっているにもかかわらず、これらの手法は複雑な医療画像、特にニューロイメージングに適応する必要がある。 しかし、地平データの欠如は、開発の障壁となる。 このギャップを埋めるために,我々は,画像間の非イメージ関係を記述したユーザ指定因果構造に固執する合成ニューロイメージの生成手法を開発し,実験を行った。 シミュレーションT1重み付き磁気共鳴画像において、実データから推定される部分空間からのサンプリングとテンプレート画像の変形により解剖学的変動をモデル化し、ユニークなシミュレーション対象を生成する。 因果関係は、望ましくないグローバルアーティファクトなしで、興味のある領域の正確なボリューム変化によって符号化される。 対象領域に対して0.3-2.66%の相対体積誤差を達成し,その統計的に有意な因果関係を示すとともに,0.034-0.397mlの非対象脳領域に対して平均絶対誤差を維持した。 因果発見法の最初の評価は、画像に適した方法の必要性を強調しながら、スプリアス接続を抑える能力の限界を露呈する。 我々のフレームワークは、客観的なベンチマークや因果的AI手法の開発に必要な、根本的データとして機能する明確な因果制御によるリアルな合成3Dニューロイメージの生成を可能にする最初のフレームワークである。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Knowledge-based anomaly detection for identifying network-induced shape artifacts [3.29352273631268]
  本研究は, 合成画像中のネットワーク誘起形状アーチファクトを検出するための, 知識に基づく新しい異常検出手法を提案する。 2つの合成マンモグラフィーデータセットにおいて,ネットワークによって誘導される形状のアーティファクトを同定する手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-11-06T18:19:49Z)
• Causal Disentanglement for Robust Long-tail Medical Image Generation [80.15257897500578]
  そこで本研究では,病的特徴と構造的特徴を独立に生成する新しい医用画像生成フレームワークを提案する。 本稿では,病理所見から導かれる拡散モデルを用いて病理像をモデル化し,種々の対物画像の生成を可能にする。
  論文  参考訳（メタデータ） (2025-04-20T01:54:18Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Longitudinal Causal Image Synthesis [19.07839779249869]
  臨床的意思決定は因果推論と縦断解析に大きく依存する。 脳脊髄液中のA-βレベルに介在した場合、脳灰白質萎縮は1年でどのように起こるか?
  論文  参考訳（メタデータ） (2024-10-23T09:13:11Z)
• Causal Image Synthesis of Brain MR in 3D [26.102886239053728]
  本稿では,アルツハイマー病の統計変数,臨床指標,脳MR画像の因果関係をモデル化する新しい手法を提案する。 具体的には,構造因果モデルを用いて因果関係を表現し,画像の合成を行う。 提案手法を被験者1586名と3D画像3683名に基づいて実験し,脳MRI画像の合成を行った。
  論文  参考訳（メタデータ） (2023-03-25T03:56:32Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)

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。