Sep, 2023

使用 DeepRepViz 识别深度学习模型预测中的混淆因素

PDF
TL;DR通过实验和模拟数据集的分析，我们展示了使用 DeepRepViz 与深度学习模型相结合的优势，该方案能帮助研究人员系统地检测潜在的混淆因素，并揭示依赖年龄、性别或图像伪迹等冗余信息的深度学习模型。
deep learningneuroimaging datacon-foundersdeeprepvizdl models
发现论文，激发创造
  • 深度神经网络中去除与权重相关的混淆因素可提高医疗应用中的预测准确性

    本文提出了一种有效的方法，可以消除深度学习中的混淆因素，从而提高神经网络的跨队预测准确性，并在扫描仪、MRI 和 EEG 大脑波等领域进行了实验验证。

    Mar, 2018

  • 基于生成预训练的人工智能放射学图像解读中的患者特定干扰因素重建

    在医疗图像分类中，基于扩散模型的预训练方法（如 DiffChest）能够准确识别混杂因素、提供洞察力，并在诊断多种胸部疾病方面取得了相当不错的准确性。

    Sep, 2023

  • 基于深层反事实推断的阿尔茨海默病预测的量化可解释模型

    通过使用我们提出的框架，综合对应于反事实的结构性磁共振图像，并将其转化为灰质密度图来衡量其在感兴趣区域（ROI）中的体积变化，本研究通过采用一个轻量级的线性分类器来增强构建的 ROIs 的有效性，进而实现了定量诠释，达到了与深度学习方法相当的预测性能，该框架为每个感兴趣区域提供了一个 “与阿尔茨海默病相关性指数”，从而直观地理解个体患者和患者组与阿尔茨海默病进展的大脑状态。

    Oct, 2023

  • 检测和纠正多站神经影像数据集中的偏见

    本研究探讨了在神经影像学中处理数据集偏差的方法，通过结合 17 项研究的 35320 个磁共振成像脑图像来研究偏差，并提出数据集谐波化的方法以消除偏差及控制混淆因素。

    Feb, 2020

  • 消除伪关联中的去偏性反事实

    在这项工作中，我们介绍了第一个端到端训练框架，该框架同时整合了（i）用于避免附着在假象相关性上的流行去偏置分类器（例如分布鲁棒优化（DRO））和（ii）用于揭示与任务相关的可推广成像标记的反事实图像生成。此外，我们提出了一种新的度量标准，即假象相关性附着分数（SCLS），用于量化分类器依赖假象相关性的程度，该程度由反事实图像揭示。通过对两个公共数据集进行全面实验（包括模拟和真实视觉伪迹），我们证明了去偏置方法：（i）能够学习到可推广的标记，并且（ii）成功忽略假象相关性，专注于潜在的疾病病理。

    Aug, 2023

  • 基于人工智能的医学影像关联分析，利用潜在空间几何混淆校正

    通过强调语义特征解释和对多个混杂因素的鲁棒性，我们提出了一种人工智能方法来解决非线性模型的可视化挑战和混杂因素控制问题，并通过在合成数据集、3D 网格数据和 3D MRI 数据集上的测试，证实了该方法有效地减少混杂因素的影响，并提供独特的视觉表示，以突出与确定的相关性相关的特定图像变化。

    Oct, 2023

  • 揭示基于深度学习的脑部 MRI 重建中的公平偏差

    该研究使用深度学习重建技术分析了基于神经网络的磁共振成像的公平性问题，发现性别和年龄子群之间存在显著的性能偏差，并提供了改进医学人工智能应用公平性的见解。

    Sep, 2023

  • 将大脑年龄预测问题重新构建为更易解释且定量化的方法

    深度学习模型通过磁共振成像在估计大脑年龄方面取得了最先进的结果。我们将年龄预测问题从全局预测转化为图像回归问题，比较了基于体素的年龄预测模型与基于全局的模型以及它们对应的显著性地图。结果表明，基于体素的年龄预测模型更具解释性，因为它们提供了关于大脑衰老过程的空间信息，并从定量化中受益。

    Aug, 2023

  • 深入探索神经影像中可解释深度学习的综合调查

    本文综述了神经影像领域中可解释深度学习模型的当前状态和应用，讨论了其相关方法、挑战和意见，以及如何利用模型解释性捕捉与模型预测相关的解剖和功能性大脑变化，最后讨论了当前做法的局限性，并提供了有关如何引导未来研究方向以使深度学习模型更加可解释并推进对脑疾病科学理解的宝贵见解和指导。

    Jul, 2023

  • 可解释深度学习在神经影像学中的应用综述

    通过对神经影像学应用的可解释性深度学习方法的文献进行系统回顾和评估，本研究发现最受欢迎的可解释性深度学习方法在神经影像数据上可能不太理想，并探讨了该领域的可能未来方向。

    May, 2024