用于发现个性化预测影像标志物的反事实图像合成
计算机视觉与模式识别
2022-08-05 v1 机器学习
摘要
发现可预测未来疾病结局的患者特异性影像标志物，有助于我们更好地理解疾病演变的个体差异性。事实上，能够提供数据驱动的个性化标志物的深度学习模型更有可能被医疗实践所采用。在本工作中，我们证明数据驱动的生物标志物发现可通过反事实合成过程实现。我们展示了如何使用深度条件生成模型来扰动基线图像中与受试者特异性未来疾病演变相关的局部影像特征，并生成预期具有不同未来结局的反事实图像。因此，候选生物标志物来自于检查该过程中被扰动的特征集合。通过在复发缓解型多发性硬化症（RRMS）患者的大规模、多扫描仪、多中心临床试验磁共振成像（MRI）数据集上的若干实验，我们证明我们的模型生成的反事实图像在影像特征上的变化反映了在群体水平上可预测未来MRI病灶活动的已确立临床标志物。额外的定性结果表明，我们的模型有潜力发现新颖的、受试者特异性的未来活动预测标志物。
引用
@article{arxiv.2208.02311,
title = {Counterfactual Image Synthesis for Discovery of Personalized Predictive Image Markers},
author = {Amar Kumar and Anjun Hu and Brennan Nichyporuk and Jean-Pierre R. Falet and Douglas L. Arnold and Sotirios Tsaftaris and Tal Arbel},
journal= {arXiv preprint arXiv:2208.02311},
year = {2022}
}
备注
Accepted to the MIABID workshop at MICCAI 2022