Dimensionality reduction in 3D causal deep learning for neuroimage generation: an evaluation study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose: Causal deep learning (DL) using normalizing flows allows the generation of true counterfactual images, which is relevant for many medical applications such as explainability of decisions, image harmonization, and in-silico studies. However, such models are computationally expensive when applied directly to high-resolution 3D images and, therefore, require image dimensionality reduction (DR) to efficiently process the data. The goal of this work was to compare how different DR methods affect counterfactual neuroimage generation. Approach: Five DR techniques [2D principal component analysis (PCA), 2.5D PCA, 3D PCA, autoencoder, and Vector Quantised-Variational AutoEncoder] were applied to 23,692 3D brain images to create low-dimensional representations for causal DL model training. Convolutional neural networks were used to quantitatively evaluate age and sex changes on the counterfactual neuroimages. Age alterations were measured using the mean absolute error (MAE), whereas sex changes were assessed via classification accuracy. Results: The 2.5D PCA technique achieved the lowest MAE of 4.16 when changing the age variable of an original image. When sex was changed, the autoencoder embedding led to the highest classification accuracy of 97.84% while also significantly impacting the age variable predictions, increasing the MAE to 5.24 years. Overall, 3D PCA provided the best balance, with an age prediction MAE of 4.57 years while maintaining 94.01% sex classification accuracy when altering the age variable and 94.73% sex classification accuracy and the lowest age prediction MAE (3.84 years) when altering the sex variable. Conclusions: 3D PCA appears to be the best-suited DR method for causal neuroimage analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle