Основні поняття
拡散オートエンコーダの潜在空間を直接操作することで、医用画像分類と回帰タスクの解釈可能性を高める新しい手法を提案する。
Анотація
本研究では、拡散オートエンコーダ(DAE)を用いた医用画像の因果的説明(CE)生成手法を提案している。
非監督学習によりDAEを訓練し、意味的に豊かな潜在表現を学習する。
潜在表現上で線形分類器を訓練し、病理の存在を検出する。
線形回帰を用いて、潜在表現と病理の重症度の関係を学習する。
学習した潜在表現と分類器の決定境界を操作することで、因果的説明を生成する。
この手法の特徴は以下の通り:
外部モデルを必要とせず、単一のDAEモデルで因果的説明を生成できる。
潜在表現の線形性を活用し、連続的な病理の重症度変化を視覚化できる。
様々な医用画像タスクに適用可能で、同一の潜在表現を再利用できる。
実験では、椎骨圧迫骨折、椎間板変性、糖尿病性網膜症などの医用画像タスクで良好な性能を示した。因果的説明は、モデルの解釈性を高め、新しい画像バイオマーカーの発見に役立つと期待される。
Статистика
椎骨圧迫骨折の重症度(Genant Grade)は0から3の4段階で、重症例は全体の約20%しかない。
糖尿病性網膜症の重症度は0から4の5段階で、重症例は全体の約24%である。
脳腫瘍周囲の浮腫は2段階(有り/無し)で分類される。
Цитати
"拡散オートエンコーダの潜在表現を直接操作することで、外部モデルを必要とせず、単一のモデルで因果的説明を生成できる。"
"潜在表現の線形性を活用し、連続的な病理の重症度変化を視覚化できる。"
"様々な医用画像タスクに適用可能で、同一の潜在表現を再利用できる。"