ECCVAug, 2022

深层结构因果形状模型

PDF
TL;DR提出了利用深度结构性因果形态模型（CSMs）的计算工具来实现对形态变化的因果推理，通过反事实网格生成产生个体化的预测，从而研究基因、环境和生活方式因素对人体结构的影响。
causal reasoningmedical imaginganatomical phenotypesdeep structural causal shape modelscounterfactual mesh generation
发现论文，激发创造
  • 多发性硬化 MR 图像的结构因果模型

    本研究使用结构因果模型 (SCM) 开发一种可以模拟人们进行多发性硬化症 (multiple sclerosis) 治疗过程中的 MRI 图像变化的方法，为精准医疗提供一种解决治疗优化问题的解决方案。

    Mar, 2021

  • 可控反事实推断的深度结构因果模型

    利用深度学习组件建立结构因果模型 (SCMs) 的一个通用框架，采用正则化流和变分推断实现外生噪声变量的易处理推断，并验证其在 MNIST 和医学图像数据上的有效性，提出了 SCMs 可以回答所有 Pearl 因果逻辑的逆因果推断问题的思路。

    Jun, 2020

  • 从可识别的因果表征到可控的反事实生成：因果生成建模综述

    深度生成模型在数据密度估计和有限样本数据生成方面取得了巨大成功。然而，它们存在无法解释性、倾向于引起虚假相关性和在超出分布范围的外推方面表现不佳等一些基本缺点。为了解决这些挑战，可以将因果性理论融入深度生成建模，结构因果模型可以描述数据生成过程并对系统中的变量之间的复杂因果关系和机制进行建模。因此，结构因果模型可以与深度生成模型自然地结合起来，给深度生成模型提供许多有益的属性，如分布偏移鲁棒性、公平性和互操作性。我们提供了一个因果生成建模的技术调研，将其分为因果表示学习和可控反事实生成方法两类。我们关注因果生成模型在公平性、隐私、超出分布泛化和精准医学方面的基本理论、形式化、缺点、数据集、度量和应用。我们还讨论了该领域未解决的问题和未来研究方向。

    Oct, 2023

  • 通过深度生成模型学习结构因果模型：方法，保证和挑战

    本文全面综述了深度结构因果模型 (DSCMs) 的特点以及其在使用观测数据回答反事实查询方面的能力，分析了其关于深度学习组件和结构因果模型的假设、保证和应用，深入理解其在不同反事实查询情境下的能力和限制，同时强调了深度结构因果建模领域面临的挑战和未解之问，为研究者确定未来工作方向和实践者选择最合适的方法提供了概述。

    May, 2024

  • 学习潜在结构因果模型

    本文提出了一种基于贝叶斯推理的方法，在低级别数据的情况下学习维度高、SCM 结构和参数未知的高级因果变量，从而实现对潜在 SCM 的推断和图像生成。

    Oct, 2022

  • 基于概率因果模型的高保真图像反事实

    本研究提出了一种通用的因果生成建模框架，用于准确估计具有深度结构因果模型的高保真图像反事实情况。

    Jun, 2023

  • 深度分层生成模型解释解剖形态分析

    通过深度生成网络模拟人体解剖分割的总体和局部形貌特征，并利用条件潜在变量实现对临床疾病的可解释结果可视化诊断，从而为大规模的体积成像研究提供高通量分析的新方法。

    Jun, 2019

  • 深度条件形状模型用于 3D 心脏图像分割

    利用深度条件形状模型作为核心组件的新型分割算法，通过深度隐式形状表示学习一个可以为任何感兴趣解剖学生成有符号距离函数的模态不可知形状模型，然后通过解剖标志物对生成的形状进行拟合到图像上，并添加模态依赖的轻量级细化网络以捕捉隐式函数未表示的任何细节，该框架在多种 3D 模态下的心脏左室分割问题上进行评估，自动化的 DCSM 在非对比度 CT 上表现优于基准结果，在对比度 CT 和 3DE 上添加细化后性能得到显著改善，而用户输入标志物的半自动化 DCSM 在全部模态下的 Dice 指数均超过 92%。

    Oct, 2023

  • 因果深度生成模型的机遇：调查和未来方向

    本综述介绍了结构因果模型和深度生成模型相结合的因果深度生成模型的最新研究进展，详细讨论了其分类、生成类型和引入因果性的方法，探讨了该领域未来的研究方向。

    Jan, 2023

  • 将图神经网络与结构因果模型相关联

    本文通过建立结构性因果模型和应用图神经网络模型，提出了一种新的因果推断方法，并证明了该方法可以用于因果效果辨识。

    Sep, 2021