D'ARTAGNAN：反事实视频生成
计算机视觉与模式识别
2022-07-01 v2
摘要
支持因果的机器学习框架可通过回答反事实问题来帮助临床医生确定最佳治疗方案。我们针对超声心动图的情况探索了这一路径，研究从左心室射血分数（这些检查中最基本的临床指标）的变化入手。我们首次结合深度神经网络、孪生因果网络和生成对抗方法来构建D'ARTAGNAN（深度人工孪生架构生成网络），一种新颖的因果生成模型。我们在合成数据集上证明了我们方法的合理性，随后将其应用于心脏超声视频以回答问题：“如果该患者的射血分数不同，这部超声心动图会是什么样子？”。为此，我们生成新的超声视频，保留原始患者的视频风格和解剖结构，同时根据给定输入修改射血分数。我们在反事实视频上取得了0.79的SSIM分数和0.51的R2分数。代码和模型可在 https://github.com/HReynaud/dartagnan 获取。
引用
@article{arxiv.2206.01651,
title = {D'ARTAGNAN: Counterfactual Video Generation},
author = {Hadrien Reynaud and Athanasios Vlontzos and Mischa Dombrowski and Ciarán Lee and Arian Beqiri and Paul Leeson and Bernhard Kainz},
journal= {arXiv preprint arXiv:2206.01651},
year = {2022}
}
备注
Accepted for MICCAI 2022