Learning to Compare Longitudinal Images

要約

タイトル：長期画像を比較するための学習
要約：
– 長期的な研究は、同じ集団の一連の画像が異なる時間で取得される場合に、生物医学的な応用において時間的ダイナミクスを研究し特徴付けるための人気のある技法である。
– 通常、長期比較の古典的な手法には、前処理による画像の向きやコントラストの違いなどの余分な変動を正規化することが含まれている。しかし、この古典的な手法には、前処理の問題や統計モデルの制限などの問題がある。たとえば、余分な変動を正規化することが困難な場合や、個人的な変化が多い場合。
– この論文で、問題を緩和できるシンプルな機械学習ベースのアプローチを紹介している。このアプローチでは、PaIRNet（ペア画像ランキングネットワーク）と呼ばれるディープラーニングモデルを使って、監視の有無にかかわらず、長期画像のペアを比較する。
– たとえば、自己監督設定では、モデルは画像の時間順序を学習しようとするため、時間的に逆転した変化を認識することが必要になる。
– 4つのデータセットから得られる結果から、PaIRNetは、余分な変動を削除しながら、意味のある長期的な変化を定量化することが非常に効果的であることが示されている。GitHub上でのコードも公開されている。

要約(オリジナル)

Longitudinal studies, where a series of images from the same set of individuals are acquired at different time-points, represent a popular technique for studying and characterizing temporal dynamics in biomedical applications. The classical approach for longitudinal comparison involves normalizing for nuisance variations, such as image orientation or contrast differences, via pre-processing. Statistical analysis is, in turn, conducted to detect changes of interest, either at the individual or population level. This classical approach can suffer from pre-processing issues and limitations of the statistical modeling. For example, normalizing for nuisance variation might be hard in settings where there are a lot of idiosyncratic changes. In this paper, we present a simple machine learning-based approach that can alleviate these issues. In our approach, we train a deep learning model (called PaIRNet, for Pairwise Image Ranking Network) to compare pairs of longitudinal images, with or without supervision. In the self-supervised setup, for instance, the model is trained to temporally order the images, which requires learning to recognize time-irreversible changes. Our results from four datasets demonstrate that PaIRNet can be very effective in localizing and quantifying meaningful longitudinal changes while discounting nuisance variation. Our code is available at \url{https://github.com/heejong-kim/learning-to-compare-longitudinal-images.git}

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI