論文の概要: Generating Chest X-Ray Counterfactuals by Specialising Foundation Image Models

• arxiv url: http://arxiv.org/abs/2609.24879v1
• Date: Mon, 21 Sep 2026 16:47:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.418686
• Title: Generating Chest X-Ray Counterfactuals by Specialising Foundation Image Models
• Title（参考訳）: 基礎画像モデルによる胸部X線対物生成
• Abstract要約: 反現実的な画像生成は、被験者がレトロスペクティブや仮説的なシナリオの下でどのように見ていたかという疑問に答える。 近年の手法は、根底にある因果モデルに対する知覚的品質、アイデンティティの保存、忠実性を改善している。 本稿では、事前学習された非因果生成モデルを因果機構に適応するためのデータおよびパラメータ効率のフレームワークである特殊化を提案する。
• 参考スコア（独自算出の注目度）: 3.060800327520653
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Counterfactual image generation answers questions about how a subject would have looked under retrospective, hypothetical scenarios. Recent methods have improved perceptual quality, identity preservation and faithfulness to an underlying causal model, but their adoption in healthcare is limited by scarce annotated data, distribution shift between datasets, and mismatches between pretrained generative models and those required for counterfactual inference. We propose specialisation, a data and parameter-efficient framework for adapting pretrained, non-causal generative models into causal mechanisms under distribution shift. Based on this framework, we train a radiology counterfactual image generation model, called RadCF, using latent flow matching. We validate our approach on three chest X-ray datasets spanning different dataset shifts, data volumes, and counterfactual questions, associated with challenging, highly-localised interventions. Our results show that RadCF and specialisation improve counterfactual soundness over existing methods while being data and parameter efficient, and that the resulting counterfactuals can detect and mitigate shortcut learning in a downstream medical classifier. Code is available at https://github.com/GSK-AI/RadCF/.
• Abstract（参考訳）: 反現実的な画像生成は、被験者がレトロスペクティブや仮説的なシナリオの下でどのように見ていたかという疑問に答える。 近年の手法では,根底にある因果関係モデルに対する知覚的品質,アイデンティティの保存,忠実さの向上が試みられているが,それらの医療への採用は,注釈付きデータが少ないこと,データセット間の分布変化,事前学習された生成モデルと反事実推論に必要なものとのミスマッチによって制限されている。 本研究では、事前学習された非因果生成モデルを分散シフト下で因果機構に適応するためのデータおよびパラメータ効率のフレームワークである特殊化を提案する。 この枠組みに基づいて,潜在フローマッチングを用いて,RadCFと呼ばれるラジオロジー対実画像生成モデルを訓練する。 我々は、異なるデータセットのシフト、データボリューム、および非現実的な質問にまたがる3つの胸部X線データセットに対するアプローチを検証する。 以上の結果から,RadCFと特殊化は,データとパラメータ効率を両立させながら既存の手法よりも有効であり,その結果,下流の医用分類器におけるショートカット学習を検出・緩和できることが示唆された。 コードはhttps://github.com/GSK-AI/RadCF/.comで入手できる。

関連論文リスト

• Segmentor-Guided Counterfactual Fine-Tuning for Locally Coherent and Targeted Image Synthesis [12.537078681597498]
  対物画像生成は、トレーニングデータの拡大、データセットのデバイアス、モデリング疾患のための強力なツールである。 本稿では,Seg-CFT(Seg-CFT)とSeg-CFT(Segmentor-Guided Counterfactual Fine-Tuning)を提案する。 リアルな胸部X線写真を作成する能力を実証し,冠動脈疾患のモデル化に有望な結果を示した。
  論文  参考訳（メタデータ） (2025-09-29T15:19:09Z)
• MeDi: Metadata-Guided Diffusion Models for Mitigating Biases in Tumor Classification [13.350688594462214]
  本稿では,このようなメタデータを生成拡散モデルフレームワーク(MeDi)に明示的にモデル化する手法を提案する。 MeDiは、不足しているサブ集団を合成データで対象とする拡張を可能にする。 TCGAの未確認サブポピュレーションに対して,MeDiが高品質な病理像を生成することを実験的に示す。
  論文  参考訳（メタデータ） (2025-06-20T16:41:25Z)
• 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)
• Causal Diffusion Autoencoders: Toward Counterfactual Generation via Diffusion Probabilistic Models [17.124075103464392]
  拡散モデル(DPM)は高品質の画像生成における最先端技術となっている。 DPMは、解釈可能な意味論や制御可能な意味論を持たない任意の雑音潜在空間を持つ。 本稿では,拡散に基づく因果表現学習フレームワークCausalDiffAEを提案する。
  論文  参考訳（メタデータ） (2024-04-27T00:09:26Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• An Adversarial Approach for the Robust Classification of Pneumonia from Chest Radiographs [9.462808515258464]
  ディープラーニングモデルは、しばしばデータセットシフトによるパフォーマンス損失を示す。 1つの病院システムからのデータを用いてトレーニングされたモデルは、同一病院のデータでテストすると高い予測性能を得るが、異なる病院システムでテストした場合は著しく悪化する。 我々は,共同創設者に依存しないより堅牢なモデルを学ぶことができる,逆最適化に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-13T03:49:05Z)

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。