Nov, 2022

通过条件变分自编码器和敌对学习实现规范建模，以识别阿尔茨海默病的脑功能障碍

PDF
TL;DR通过将条件变分自动编码器与对抗学习相结合（ACVAE），提出了一种新颖的规范建模方法，用于识别阿尔茨海默病中的脑功能异常。实验结果显示，该模型能够更准确地识别 AD，并更好地识别 AD 与对照组之间的差异。
normative modelingalzheimer's diseasebrain dysfunctionconditional variational autoencoderadversarial learning
发现论文，激发创造
  • 基于混合乘积专家变分自编码器的多模态神经影像数据规范建模改进

    通过采用混合乘积专家（MoPoE）技术，我们提出了一种改进的范式模型，该模型利用多模态神经影像数据对联合潜在后验进行更好的建模，并计算从多模态潜在空间由于阿尔茨海默病（AD）病理而产生的异常偏差。

    Dec, 2023

  • 利用多模态规范化 ATN 生物标志物建模分析阿尔茨海默病的异质性

    本研究使用深度学习的多模态规范模型评估 ATN 生物标志物的区域性脑模式的异质性，发现对中度或重度痴呆症状的 ADS 个体而言，每种生物标志物都表现出更多的区域异常和模态特异性的区域异常模式，而 MRI 和 tau 异常更为多样化。DSI 是与痴呆症进展阶段相关的指标，与神经心理综合得分显著相关，并与 CDR 进展的纵向风险相关，这些结果在发现和复制的队列中都得到了验证。

    Apr, 2024

  • 条件变分自编码器进行异常检测

    本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

    Oct, 2020

  • 基于 Transformer 的规范建模方法用于早期精神分裂症的异常检测

    本文介绍如何通过使用深度生成模型实现困难诊断的心理障碍，包括早期精神分裂症，对脑区的遍及性微小变化进行检测，产生了良好的效果，优于基于脑年龄和高斯过程的最近的规范方法。

    Dec, 2022

  • 解开海马形态变异：使用对比学习的图形变分自编码器研究神经学障碍

    本研究通过使用图变分自编码器和有监督对比学习的方法，对神经系统疾病背景下弥漫张量成像数据集中的海马形态变异进行了细致研究，以提高其可解释性和分离出与年龄和疾病存在相关的两个独立潜变量。通过对合成的 3D 环面网格数据和真实的 DTI 海马数据集进行评估，我们的有监督分离模型在离散度分数方面优于其他先进方法，对多发性硬化症（MS）患者的年龄组和疾病状态进行了区分，并显示了不同年龄下 MS 人群海马体积变化的结果，与当前神经成像学文献一致。这项研究对于了解不同年龄组 MS 人群的神经系统疾病与海马形态变化之间的关系提供了有价值的洞察。

    Mar, 2024

  • 变分自编码回归：应用于脑衰老分析

    本文提出了一种统一的概率模型，用于学习成像数据的潜在空间并执行监督回归，利用 VAE 和神经网络回归器的联合正则化可以更精确地预测 MR 图像的年龄，实现了对人脑结构发育规律的直观解释。

    Apr, 2019

  • 现实世界中的深度生成模型：医学图像的开放挑战

    本文探讨使用最新的基于自动编码器的深度生成模型，例如变分自动编码器和对抗性自动编码器，在医学成像中运用于异常检测一项任务。结果表明，深度生成模型在异常检测方面存在挑战，但可以提供给研究人员一个方便的医学成像数据集。

    Jun, 2018

  • 深度变分半监督新颖性检测

    本文研究了基于深度生成模型的异常检测，提出了两种改进的变分自编码器方法用于半监督学习，并在自然图片、天文和医学数据集中取得了显著的异常检测优化。

    Nov, 2019

  • 基于形变的形态测量框架，使用学习的正常老化模板分辨阿尔茨海默病与正常老化

    通过应用基于变形的形态学方法，本研究借助深度学习创建了符合认知正常的不同年龄群体的正常衰老萎缩模板，通过图像配准和模板对比评估了阿尔茨海默病相关的脑萎缩和正常衰老的效应，并发现该疾病早期的海马体和杏仁核区域更加呈现出加速的正常衰老模式。

    Nov, 2023

  • 基于深层反事实推断的阿尔茨海默病预测的量化可解释模型

    通过使用我们提出的框架，综合对应于反事实的结构性磁共振图像，并将其转化为灰质密度图来衡量其在感兴趣区域（ROI）中的体积变化，本研究通过采用一个轻量级的线性分类器来增强构建的 ROIs 的有效性，进而实现了定量诠释，达到了与深度学习方法相当的预测性能，该框架为每个感兴趣区域提供了一个 “与阿尔茨海默病相关性指数”，从而直观地理解个体患者和患者组与阿尔茨海默病进展的大脑状态。

    Oct, 2023