SepVAE: контрастная VAE для отделения патологических паттернов от здоровых
Решение проблемы: мы предлагаем новый метод контрастных VAE (CA-VAE) для различения патологических паттернов в наборах данных здоровых людей от наборов данных пациентов. В настоящее время в существующих моделях трудно эффективно предотвратить обмен информацией между скрытыми пространствами и учесть все существенные факторы вариации.
Основная идея: метод делит скрытое пространство на существенный набор признаков (т. е. применимый только к целевому набору данных) и общий набор признаков (т. е. присутствующий в обоих наборах данных). Для достижения этой цели в статье предлагаются две ключевые потери регуляризации: термин распутывания между общими представлениями и представлениями значимости и термин классификации между фоновыми и целевыми образцами в пространстве значимости. По сравнению с текущим состоянием исследований в этой области предлагается новое решение, которое может лучше отличать здоровые данные от патологических данных.
Другие важные моменты: Демонстрация более высокой производительности, чем предыдущие методы CA-VAE, в трех медицинских приложениях и наборе данных естественных изображений (CelebA). Код и наборы данных доступны на GitHub.
Связанные исследования: Другие недавние связанные исследования включают: 1) «Вариационный автоэнкодер для полуконтролируемого обнаружения аномалий» Тянью Панга, Цзямина Му и Шуай Ли, Южно-Китайский технологический университет; 2) «Контрастное обучение для медицинских визуальных ответов на вопросы», автор Юньцю Сюй, Чжэнтао Цзян и Вэйминь Чжоу из Нанкинского университета.
Резюме: SepVAE: контрастная VAE, позволяющая отличить патологические паттерны от здоровых паттернов. Робин Луизе, Эдуар Дюшене, Антуан Грижи, Бенуа Дюфюмье, Пьетро Гори. Контрастные аналитические VAE (CA-VAE) представляют собой класс вариационных автокодировщиков (VAE), целью которых является объединение общих переменных, отделенных от факторов, которые присутствуют только в целевом наборе данных. С этой целью эти методы делят скрытое пространство на набор характерных признаков (т. е. характерных для целевого набора данных) и набор общих признаков (т. е. присутствующих в обоих наборах данных). В настоящее время все модели не могут эффективно предотвратить обмен информацией между скрытыми пространствами и не охватывают все важные переменные. С этой целью мы вводим две ключевые потери регуляризации: член распутывания между общими и значимыми представлениями и член классификации между фоновыми и целевыми образцами в пространстве значимости. Мы демонстрируем лучшую производительность, чем предыдущие CA-VAE, в трех медицинских приложениях и наборе данных естественных изображений (CelebA). Код и набор данных доступны на GitHub по адресу https://github.com/neurospin-projects/2023rlouisetsepvae.