SepVAE：一种用于分离病理模式与健康模式的对立变分自编码器
计算机视觉与模式识别
2024-04-09 v2 机器学习
摘要
对立分析VAE（CA-VAEs）是一类变分自编码器（VAEs），旨在将背景数据集（BG）（即健康受试者）与目标数据集（TG）（即患者）之间的共同变异因素，同仅存在于目标数据集中的变异因素分离开来。为此，这些方法将潜空间分离为一组显著特征（即目标数据集特有）和一组共同特征（即两数据集中均存在）。目前，所有模型均未能有效防止潜空间之间的信息共享，也未能捕获所有显著变异因素。为此，我们引入了两个关键的规范化损失：共同与显著表示之间的解耦项，以及显著空间中背景样本与目标样本之间的分类项。我们在三个医学应用和一个自然图像数据集（CelebA）上展示了优于先前CA-VAEs方法的性能。代码与数据集可在GitHub https://github.com/neurospin-projects/2023_rlouiset_sepvae 获取。
引用
@article{arxiv.2307.06206,
title = {SepVAE: a contrastive VAE to separate pathological patterns from healthy ones},
author = {Robin Louiset and Edouard Duchesnay and Antoine Grigis and Benoit Dufumier and Pietro Gori},
journal= {arXiv preprint arXiv:2307.06206},
year = {2024}
}
备注
Workshop on Interpretable ML in Healthcare at International Conference on Machine Learning (ICML), Honolulu, Hawaii, USA. 2023