Deep Structural Causal Shape Models

要約

因果推論は、純粋な統計的関連性を超えて重要な介入的および反事実的な質問をするための言語を提供します。
たとえば、医用画像では、解剖学的表現型の正常および病理学的変動に対する遺伝的、環境的、またはライフスタイル要因の因果関係を研究したい場合があります。
ただし、自動化された画像セグメンテーションから抽出された 3D サーフェス メッシュの解剖学的形状モデルは確実に構築できますが、形態変化に関する因果的推論を可能にする計算ツールが不足しています。
この問題に取り組むために、深層構造因果モデルの表現フレームワーク内で、幾何学的深層学習から高品質のメッシュ生成技術を利用する深層構造因果形状モデル (CSM) を提案します。
CSM は、反事実メッシュ生成 (「この患者が 10 歳年上だったら、この患者の脳構造はどのように変化するか?」) を通じて被験者固有の予後を可能にします。これは、純粋に集団レベルの統計的形状モデリングに関する最新の研究とは対照的です。
3D 脳構造の大規模なデータセットを活用した多数の定性的および定量的実験を通じて、Pearl の因果的階層のすべてのレベルでの CSM の機能を実証します。

要約(オリジナル)

Causal reasoning provides a language to ask important interventional and counterfactual questions beyond purely statistical association. In medical imaging, for example, we may want to study the causal effect of genetic, environmental, or lifestyle factors on the normal and pathological variation of anatomical phenotypes. However, while anatomical shape models of 3D surface meshes, extracted from automated image segmentation, can be reliably constructed, there is a lack of computational tooling to enable causal reasoning about morphological variations. To tackle this problem, we propose deep structural causal shape models (CSMs), which utilise high-quality mesh generation techniques, from geometric deep learning, within the expressive framework of deep structural causal models. CSMs enable subject-specific prognoses through counterfactual mesh generation (‘How would this patient’s brain structure change if they were ten years older?’), which is in contrast to most current works on purely population-level statistical shape modelling. We demonstrate the capabilities of CSMs at all levels of Pearl’s causal hierarchy through a number of qualitative and quantitative experiments leveraging a large dataset of 3D brain structures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google