MACAW：用于医学影像的因果生成模型
图像与视频处理
2024-12-05 v1 机器学习
摘要
尽管深度学习技术在研究领域的多种神经影像任务上显示出前景，但其尚未在临床场景中广泛应用。一个原因是许多机器学习模型仅识别输入图像与感兴趣输出之间的相关性，这可能导致编码无信息偏差、可解释性降低等实际问题。因此，最近的研究正在探索将先验因果知识整合到深度学习模型中，是否是识别这些问题的潜在途径。本工作引入了一种新的因果生成架构，称为掩码因果流（Masked Causal Flow, MACAW），用于神经影像应用。在此背景下，描述了三个主要贡献：其一，提出了一种将复杂因果结构整合到归一化流中的新方法；其二，对发生变量与原因变量相关的变化进行反事实预测；其三，推导并实现了一种显式贝叶斯推断，用于分类，提供内在不确定性估计。首先使用合成数据评估了所提方法的可行性，然后使用来自英国生物样本库研究（UK biobank）超过 23000 名受试者的 MRI 脑部数据进行评估。评估结果表明，所提方法能够（1）准确地编码因果推理并生成反事实，凸显与年龄相关的脑结构变化；（2）准确预测受试者从单张 2D MRI 切片的年龄；（3）在受试者特定指标（如年龄、性别和体质指数）的其他取值下生成新样本。该方法的 toy 数据集代码可在以下链接获取：https://github.com/vibujithan/macaw-2D.git。
引用
@article{arxiv.2412.02900,
title = {MACAW: A Causal Generative Model for Medical Imaging},
author = {Vibujithan Vigneshwaran and Erik Ohara and Matthias Wilms and Nils Forkert},
journal= {arXiv preprint arXiv:2412.02900},
year = {2024}
}
备注
27 pages