利用形态学约束的3D深度生成模型进行反事实增强以实现脑影像的公平建模
计算机视觉与模式识别
2021-12-01 v1 机器学习
摘要
我们描述了Countersynth,一种微分同胚形变的条件生成模型,可在体积脑图像中引发由标签驱动且生物学上合理的变化。该模型旨在为下游判别性建模任务合成反事实训练数据增强,这些任务由于数据不平衡、分布不稳定性、混杂或欠定,且在不同子群体间表现出不公平的性能,从而使得保真度受限。关注人口统计学属性,我们通过基于体素的形态学测量、条件属性的分类与回归以及Fréchet inception距离,评估了合成反事实的质量。在工程化的人口统计学不平衡和混杂的背景下考察下游判别性能,我们使用UK Biobank磁共振成像数据将CounterSynth增强与当前解决这些问题的方法进行了基准测试。我们在整体保真度和公平性方面均取得了SOTA(state-of-the-art)的改进。CounterSynth的源代码已在线提供。
引用
@article{arxiv.2111.14923,
title = {Equitable modelling of brain imaging by counterfactual augmentation with morphologically constrained 3D deep generative models},
author = {Guilherme Pombo and Robert Gray and Jorge Cardoso and Sebastien Ourselin and Geraint Rees and John Ashburner and Parashkev Nachev},
journal= {arXiv preprint arXiv:2111.14923},
year = {2021}
}