通过解耦表示进行转化性肺部影像分析
图像与视频处理
2022-03-04 v1 计算机视觉与模式识别
摘要
新疗法的开发通常需要使用（前）临床影像表征跨物种病理过程的转化动物模型的临床试验。深度学习（DL）模型常用于自动从图像中检索相关信息。然而，由于其纠缠式设计导致的低泛化性和可解释性，它们通常受限于每个动物模型对应一个特定 DL 模型。因此，无法利用 DL 从跨物种图像发现统计关系的高能力。为缓解此问题，本工作中我们提出一种能够从不同动物模型图像及生成图像的机制中提取解耦信息的模型。我们的方法位于深度生成模型、解耦与因果表示学习的交叉点。它从肺结核感染的病理肺图像优化得到，并且能够：a) 从输入切片推断其在体积中的位置、所属动物模型、存在的损伤，甚至生成覆盖整个肺的掩码（与 nnU-Net 相似的重叠度量），b) 通过设置上述变量生成真实肺图像，以及 c) 生成反事实图像，即损伤输入切片的健康版本。
引用
@article{arxiv.2203.01668,
title = {Translational Lung Imaging Analysis Through Disentangled Representations},
author = {Pedro M. Gordaliza and Juan José Vaquero and Arrate Muñoz-Barrutia},
journal= {arXiv preprint arXiv:2203.01668},
year = {2022}
}