基于潜在空间几何混杂因子校正的医学影像人工智能关联分析
计算机视觉与模式识别
2025-03-05 v2 人工智能
机器学习
摘要
本研究解决了基于人工智能的医学影像分析中混杂效应与可解释性的挑战。现有文献常通过从潜在表示中移除与混杂因子相关的信息来消除混杂，但该策略可能影响生成模型中的图像重建质量，从而限制其在特征可视化中的适用性。为此，我们提出了一种不同的策略：在潜在表示中保留与混杂因子相关的信息，同时寻找图像数据的另一种无混杂因子表示。我们的方法将自编码器的潜在空间视为向量空间，其中与影像相关的变量（如学习目标 t 和混杂因子 c）具有捕获其可变性的向量。混杂问题通过搜索一个与混杂相关向量正交但与目标相关向量最大共线的无混杂向量来解决。为此，我们引入了一种新颖的基于相关性的损失函数，不仅在潜在空间中进行向量搜索，还鼓励编码器生成与变量线性相关的潜在表示。随后，我们沿无混杂向量采样并重建图像来解释无混杂表示。所提方法的效能与灵活性在三个应用中得到展示，可容纳多个混杂因子并利用多种影像模态。结果证实了该方法在减少混杂影响、防止错误或误导性关联以及为临床与流行病学研究人员的深入调查提供独特视觉解释方面的有效性。代码发布于以下 GitLab 仓库：https://gitlab.com/radiology/compopbio/ai_based_association_analysis
引用
@article{arxiv.2311.12836,
title = {AI-based association analysis for medical imaging using latent-space geometric confounder correction},
author = {Xianjing Liu and Bo Li and Meike W. Vernooij and Eppo B. Wolvius and Gennady V. Roshchupkin and Esther E. Bron},
journal= {arXiv preprint arXiv:2311.12836},
year = {2025}
}
备注
Accepted by Medical Image Analysis