論文の概要: COGENT: Counterfactual Gaussian Explanations for Volumetric Medical Images
- arxiv url: http://arxiv.org/abs/2608.11422v1
- Date: Tue, 11 Aug 2026 20:40:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.37095
- Title: COGENT: Counterfactual Gaussian Explanations for Volumetric Medical Images
- Title(参考訳): COGENT: ボリューム・メディカル・イメージのための偽ガウス的説明
- Abstract要約: 本稿では,3次元表現のパラメータ空間に直接反実的説明を生成するフレームワークであるCOGENTを提案する。
肺CT検査におけるCOGENTを,既存の説明可能性法と定量的に比較検討した。
- 参考スコア(独自算出の注目度): 10.84516068025961
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Explainability is essential for deploying deep learning models in high-stakes medical applications. Existing explainability methods for volumetric imaging predominantly operate in voxel space, overlooking the structured representations introduced by recent advances in 3D scene modeling. We present COGENT (Counterfactual Gaussian Explanations), a framework that generates counterfactual explanations directly in the parameter space of Gaussian-based volumetric representations. Built upon MedGS and the Sybil lung cancer risk prediction model, COGENT optimizes selected Gaussian primitives through a differentiable rendering pipeline, enabling gradients from the downstream predictor to identify representation components that most influence model decisions. Unlike conventional pixel- or voxel-level attribution methods, our approach formulates explainability as a counterfactual optimization problem over an explicit 3D scene representation, producing sparse and spatially localized explanations while preserving anatomical consistency. We evaluate COGENT on lung CT scans using quantitative comparisons with existing explainability methods together with qualitative analysis by medical experts. The results demonstrate that representation-space counterfactual optimization provides clinically meaningful explanations while offering a new perspective on interpreting volumetric deep learning models.
- Abstract(参考訳): 高度な医療アプリケーションにディープラーニングモデルをデプロイするためには、説明責任が不可欠である。
3次元シーンモデリングの最近の進歩によって導入された構造的表現を見越して、既存のボリュームイメージングの説明可能性の手法は、主にボクセル空間で機能する。
本稿では,ガウス型容積表現のパラメータ空間において,対実的説明を直接生成するフレームワークであるCOGENT(Counterfactual Gaussian Explanations)を提案する。
MedGSとSybilの肺がんリスク予測モデルに基づいて構築されたCOGENTは、異なるレンダリングパイプラインを通じて選択されたガウスプリミティブを最適化し、下流予測器からの勾配をモデル決定に最も影響を及ぼす表現コンポーネントの特定を可能にする。
従来の画素レベルやボクセルレベルの属性法とは異なり,本手法は,解剖学的整合性を維持しつつ,スパースで空間的局所的な説明を生成することで,明示的な3次元シーン表現に反する実測的最適化問題として説明可能性を定式化する。
肺CT検査におけるCOGENTの評価は,既存の説明可能性法との比較と,医療専門家による質的分析を用いて行った。
その結果,表現空間の反実的最適化は臨床的に意味のある説明を提供するとともに,体積的深層学習モデルの解釈に関する新たな視点を提供することを示した。
関連論文リスト
- Implicit representations are dead. Long live explicit primitives! [19.0433186406648]
命令表現は、大きな計算コスト、大きなメモリ要件、広範囲な最適化時間をもたらす。
明示的プリミティブは、暗黙的ニューラルパラダイムの下でできることを超えて、魅力的な数学的特性を提供することを示す。
実験により,ガウス表現は暗黙の手法に比べて常に再現の指標と一致するか上回っていることが示された。
論文 参考訳(メタデータ) (2026-08-07T15:30:48Z) - InfoNCE Induces Gaussian Distribution [7.8922077372145685]
対照的なトレーニングの損失はInfoNCEとその変種である。
我々は、InfoNCEの目的が、対照的な訓練から現れる表現においてガウス構造を誘導することを示す。
ガウスモデルにより、学習された表現の原理的な分析処理が可能となり、コントラスト学習における幅広い応用を支援することが期待されている。
論文 参考訳(メタデータ) (2026-02-27T13:35:58Z) - Clinical semantics for lung cancer prediction [1.6744500686720596]
既存の臨床予測モデルは、しばしば臨床概念間の意味的関係を無視した特徴を用いて患者データを表現している。
本研究では,SNOMED医療用語階層を低次元双曲空間にマッピングすることで,ドメイン固有の意味情報を統合する。
論文 参考訳(メタデータ) (2025-08-20T11:29:47Z) - ClipGS: Clippable Gaussian Splatting for Interactive Cinematic Visualization of Volumetric Medical Data [51.095474325541794]
医用データのインタラクティブなシネマティック可視化のためのクリッピングプレーンを備えた革新的なガウススプレイティングフレームワークであるClipGSを紹介した。
本手法を5つのボリューム医療データで検証し,平均36.635 PSNRレンダリング品質を156 FPS,16.1MBモデルサイズで達成した。
論文 参考訳(メタデータ) (2025-07-09T08:24:28Z) - Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。
Intern-GSは多様なデータセットにまたがって最先端のレンダリング品質を実現する。
論文 参考訳(メタデータ) (2025-05-27T05:17:49Z) - PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。
本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。
本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
論文 参考訳(メタデータ) (2025-04-09T14:58:21Z) - Aggregated Attributions for Explanatory Analysis of 3D Segmentation Models [7.416913210816592]
本稿では,3次元セグメンテーションモデルの微細なボクセル属性を集約する手法であるAgg2Expを紹介する。
実験により,勾配に基づくボクセル属性は摂動に基づく説明よりもモデルの予測に忠実であることが示された。
Agg2Expは、予測性能以上の大きなセグメンテーションモデルの説明分析を容易にする。
論文 参考訳(メタデータ) (2024-07-23T17:14:01Z) - MLVICX: Multi-Level Variance-Covariance Exploration for Chest X-ray Self-Supervised Representation Learning [6.4136876268620115]
MLVICXは、胸部X線画像からの埋め込みの形でリッチな表現をキャプチャするアプローチである。
自己教師付き胸部X線表現学習におけるMLVICXの性能を示す。
論文 参考訳(メタデータ) (2024-03-18T06:19:37Z) - Diff-UNet: A Diffusion Embedded Network for Volumetric Segmentation [41.608617301275935]
医療用ボリュームセグメンテーションのための新しいエンドツーエンドフレームワークDiff-UNetを提案する。
提案手法では,拡散モデルを標準U字型アーキテクチャに統合し,入力ボリュームから意味情報を効率的に抽出する。
われわれは,MRI,肝腫瘍,多臓器CTの3種類の脳腫瘍について検討した。
論文 参考訳(メタデータ) (2023-03-18T04:06:18Z) - Learning disentangled representations for explainable chest X-ray
classification using Dirichlet VAEs [68.73427163074015]
本研究では,胸部X線像の非絡み合った潜在表現の学習にDirVAE(Dirichlet Variational Autoencoder)を用いることを検討した。
DirVAEモデルにより学習された多モード潜在表現の予測能力について,補助的多ラベル分類タスクの実装により検討した。
論文 参考訳(メタデータ) (2023-02-06T18:10:08Z) - A kinetic approach to consensus-based segmentation of biomedical images [39.58317527488534]
バイオメディカルセグメンテーション問題に有界信頼度コンセンサスモデルの運動バージョンを適用した。
システムの長時間の挙動は、代理のフォッカー・プランク法(英語版)の助けを借りて計算される。
2次元グレースケール画像の関連集合に対して導入されたセグメンテーション距離を最小化する。
論文 参考訳(メタデータ) (2022-11-08T09:54:34Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - 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)
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。