低ランク変調Functa：解釈可能な暗黙的ニューラル表現の潜在空間を探ることで実現する解釈可能な超音波動画解析

Abstract

隠れたニューラル表現（INRs）は、連続的な画像表現学習のための強力な枠組みとして登場してきました。Functaベースの手法では、各画像は潜在モジュレーションベクトルとして符号化され、このベクトルが共有されたINRを条件付けすることで、高い再構成性能を実現します。しかし、対応する潜在空間の構造や解釈可能性は、ほとんど未解明のままです。本研究では、超音波動画に対するFunctaベースモデルの潜在空間を調べ、時間分解された潜在空間におけるモジュレーションベクトルの低ランク適応を強制する新しいアーキテクチャ「Low-Rank-Modulated Functa（LRM-Functa）」を提案します。心臓超音波に適用したところ、得られた潜在空間は明確に構造化された周期的な軌道を示し、時間的パターンの可視化と解釈を容易にします。潜在空間を横断することで新しいフレームをサンプリングでき、心周期に沿った滑らかな遷移が明らかになります。さらに、追加のモデル学習なしで、拡張終期（ED）および収縮終期（ES）のフレームを直接読み出せます。LRM-Functaは、教師なしのEDおよびESフレーム検出において先行手法よりも優れていることを示します。また、駆出率（ejection fraction）予測における競争力のある下流性能を損なうことなく、各動画フレームをランクk=2まで低く圧縮できます。心臓ポイントオブケアデータセットにおける分布外フレーム選択、およびB-line分類のための肺超音波に対する評価により、本アプローチの汎化性が示されます。総合すると、LRM-Functaは、超音波動画解析のためのコンパクトで解釈可能かつ汎化可能な枠組みを提供します。コードは https://github.com/JuliaWolleb/LRM_Functa で公開されています。