Fugu-MT 論文翻訳(概要): Generating Medical Image Counterfactuals using Causal Explanations

論文の概要: Generating Medical Image Counterfactuals using Causal Explanations

arxiv url: http://arxiv.org/abs/2609.02697v1
Date: Wed, 02 Sep 2026 15:03:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-03 17:53:18.442448
Title: Generating Medical Image Counterfactuals using Causal Explanations
Title（参考訳）: 因果説明を用いた医用画像生成
Abstract要約: 私たちは、異なる予測を生成するために、イメージをどのように変更する必要があるかを示すために、反実画像を使用します。本稿では, 生成モデルを必要としない新しい逆ファクトジェネレーションフレームワークを提案する。結果として得られるアプローチは決定論的であり、追加のモデルトレーニングを必要としない。
参考スコア（独自算出の注目度）: 7.128196845242498
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning models have achieved impressive performance in medical image diagnosis, yet their deployment in clinical settings remains constrained by limited explainability. Counterfactual images provide one means of auditing model behavior by showing how an image would need to change for a classifier to produce a different prediction. Existing approaches typically generate such explanations using auxiliary models, including generative adversarial networks and diffusion models. While often capable of producing visually realistic images, these methods explain one black-box model using another, making it difficult to separate the classifier's decision-making process from the inductive biases of the generator. We propose a novel counterfactual-generation framework that requires no generative model. Instead, counterfactuals are constructed directly from causal evidence extracted from the classifier. The resulting approach is deterministic, requires no additional model training, and enables controllable edits within user-specified regions of interest. Experiments on real-world medical imaging datasets demonstrate that the proposed method successfully changes classifier predictions while remaining closer to the original image than generative baselines, providing a more direct and transparent view of the classifier's decision boundary.
Abstract（参考訳）: 深層学習モデルは、医用画像診断において顕著な性能を達成しているが、その臨床環境への展開は、説明可能性の制限によって制限されている。対物画像は、異なる予測を生成するために分類器のために画像をどのように変更する必要があるかを示すことで、モデルの振る舞いを監査する1つの手段を提供する。既存のアプローチは通常、生成的対向ネットワークや拡散モデルを含む補助モデルを用いてそのような説明を生成する。視覚的に現実的なイメージを生成できることが多いが、これらの手法は別の方法を用いてブラックボックスモデルを説明するため、分類器の意思決定プロセスとジェネレータの帰納バイアスを区別することは困難である。本稿では, 生成モデルを必要としない新しい逆ファクトジェネレーションフレームワークを提案する。代わりに、反事実は分類器から抽出された因果証拠から直接構築される。結果として得られるアプローチは決定論的であり、追加のモデルトレーニングを必要としない。実世界の医用画像データセットの実験では、提案手法は生成ベースラインよりも元の画像に近いままに分類器の予測を変更し、分類器の決定境界をより直接的かつ透明に表現できることが示されている。

関連論文リスト

Detecting Generated Images by Fitting Natural Image Distributions [75.31113784234877]
本稿では,自然画像と生成画像のデータ多様体間の幾何学的差異を利用した新しいフレームワークを提案する。自然画像に対して一貫した出力を出力するために設計された関数対を用いるが、生成した関数に対しては発散出力を用いる。データ多様体に沿った変換が、自然画像上で事前訓練された自己教師付きモデルの損失値に有意な変化をもたらす場合、画像は生成されたものとして識別される。
論文参考訳（メタデータ） (2025-11-03T07:20:38Z)
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)
Epistemic Uncertainty for Generated Image Detection [107.62647907393377]
本稿では,創成モデルの時代において重要なセキュリティ問題に対処することを目的とした,てんかん不確実性によるAI生成画像検出のための新しいフレームワークを提案する。我々の重要な洞察は、トレーニングとテストデータの分布の相違が、機械学習モデルのエピステマティック不確実性空間に顕著に現れていることに起因している。
論文参考訳（メタデータ） (2024-12-08T11:32:25Z)
Counterfactual Explanations for Medical Image Classification and Regression using Diffusion Autoencoder [38.81441978142279]
生成モデルの潜在空間を直接操作する新しい手法,特に拡散オートエンコーダ(DAE)を提案する。このアプローチは、対実的説明(CE)の生成を可能にすることによって、固有の解釈可能性を提供するこれらの潜在表現は、脊椎圧迫骨折(VCF)や糖尿病網膜症(DR)などの病態の医学的分類と経時的回帰に有用であることを示す。
論文参考訳（メタデータ） (2024-08-02T21:01:30Z)
Mask-guided cross-image attention for zero-shot in-silico histopathologic image generation with a diffusion model [0.10910416614141322]
拡散モデルは、シリコン内画像を生成する最先端のソリューションである。自然画像の出現伝達拡散モデルが設計されている。計算病理学、特に腫瘍学では、画像内のどのオブジェクトを前景と背景に分類すべきかを簡単に定義することはできない。我々は,クラス固有のAdaIN特徴量マッチングを交互に行うために,外観伝達指導を変更することで,拡散安定画像への外観伝達モデルの適用性に寄与する。
論文参考訳（メタデータ） (2024-07-16T12:36:26Z)
Introducing Shape Prior Module in Diffusion Model for Medical Image Segmentation [7.7545714516743045]
拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
論文参考訳（メタデータ） (2023-09-12T03:05:00Z)
Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文参考訳（メタデータ） (2023-04-10T17:58:22Z)
Your Diffusion Model is Secretly a Zero-Shot Classifier [90.40799216880342]
大規模テキスト・画像拡散モデルからの密度推定をゼロショット分類に活用できることを示す。分類に対する我々の生成的アプローチは、様々なベンチマークで強い結果が得られる。我々の結果は、下流タスクにおける差別的モデルよりも生成的な利用に向けての一歩である。
論文参考訳（メタデータ） (2023-03-28T17:59:56Z)
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)
Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。本稿では,生成逆U-Netという新しい生成手法を提案する。当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文参考訳（メタデータ） (2021-01-12T23:02:26Z)
Combining Similarity and Adversarial Learning to Generate Visual Explanation: Application to Medical Image Classification [0.0]
学習フレームワークを活用して視覚的説明法を作成する。文献のメトリクスを用いることで,この手法は最先端のアプローチよりも優れています。大規模な胸部X線データベース上でのアプローチを検証する。
論文参考訳（メタデータ） (2020-12-14T08:34:12Z)
A Question-Centric Model for Visual Question Answering in Medical Imaging [3.619444603816032]
そこで本稿では,画像の問合せを質問文で行う視覚質問解答手法を提案する。種々の医用・自然画像データセットを用いた実験により, 提案手法は, 画像特徴と疑問特徴を新しい方法で融合させることで, 従来の手法と同等あるいは高い精度を達成できることが示されている。
論文参考訳（メタデータ） (2020-03-02T10:16:16Z)

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。