Mar, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 网格式变分自编码器中的潜在解缠有助于颅面综合征的诊断及手术规划

    深度学习在人头部的形状分析方面具有巨大潜力，本文介绍了使用 Swap Disentangled Variational Autoencoder (SD-VAE) 对 Crouzon、Apert 和 Muenke 综合征进行分类和研究，同时第一次分析了头部各个区域对综合征表型的影响，并通过调整生成模型的特定参数和生成特定程序的新形状，模拟了一系列颅颜面手术的结果，从而为进一步的诊断、手术规划和手术效果的客观评估开辟了新的途径。

    Sep, 2023

  • 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

  • 基于 Mini-Batch 特征交换的三维形状变分自编码器潜在因素解耦 —— 以身体和面部为例

    本文提出了一种直观而有效的自监督方法，通过跨不同形状交换任意特征来培训三维形状变分自编码器，从而鼓励特征的解缠缚潜在表示。实验结果表明，我们开发的方法正确解耦了身体和面部特征的生成，同时保持了良好的表示和重构能力。

    Nov, 2021

  • 鉴别性哈密顿变分自编码器在数据稀缺情况下精准肿瘤分割

    通过提出基于 Hamiltonian 变分自动编码器（HVAE）和区别性正则化的新的端到端混合架构，我们的方法可以准确估计图像和蒙版的联合分布，从而生成具有较少伪影和离群实例的逼真医学图像。通过在丰富增强的数据集上以切片方式操作，我们的架构可以快速且准确地分割 3D 体积，在 BRATS（MRI 模态）和 HECKTOR（PET 模态）两个公开数据集上的实验证明了我们提出的方法在有限数据的不同医学成像模态上的有效性。

    Jun, 2024

  • 利用解缠结构图自编码器学习网络表示

    我们介绍了 “解缠图自编码器” 和 “解缠变分图自编码器”（DGA 和 DVGA）的方法，其利用生成模型学习解缠表示，通过设计多通道信息传递层的解缠图卷积网络作为编码器，以及引入在不同潜在因素上的独立性约束，我们的方法在合成和真实数据集上实验表明其优越性。

    Feb, 2024

  • 使用无监督深度学习进行早期视觉概念学习

    本文提出了一种基于无监督学习、从神经科学中获得灵感的方法，利用变分自编码器对图像数据进行学习，从而获得解耦表示。该方法可以使神经科学的研究成果得以应用到实际中，同时还有零样本推理和直观理解的优点。

    Jun, 2016

  • 基于人口学条件的变分自编码器用于 fMRI 分布抽样与混淆因素去除

    我们使用基于变分自编码器 (VAE) 的模型 DemoVAE 对 fMRI 特征与人口统计学进行去相关，并生成以用户提供的人口统计学为基础的高质量合成 fMRI 数据。使用两个广泛使用的数据集验证结果，我们发现 DemoVAE 可以在捕捉个体之间的全部变异的同时复现 fMRI 数据中的群体差异。同时我们也发现，大多数与 fMRI 数据相关的临床和计算测电池领域与 DemoVAE 编码没有相关性，唯有几个与精神分裂症药物和症状严重程度有关的领域例外。我们的 DemoVAE 模型允许生成以受试者人口统计学信息为条件的高质量合成数据，并消除人口统计学的混杂效应。我们认为基于功能连接的预测任务受人口统计学混淆的影响较大。

    May, 2024

  • 引导式变分自编码器用于分离式学习

    设计一种算法 Guided-VAE，通过提供信号来实现 VAE 的潜在编码 / 嵌入，以学习可控的生成模型，该算法在表示学习，合成 / 采样改进，分类中取得了更好的效果

    Apr, 2020

  • 评估无监督解缠表示学习用于基因组发现和疾病风险预测

    使用高维临床数据和变分自编码器 (VAE) 学习的低维嵌入可用于基因组关联研究和多基因风险预测，而在基因关联研究中，FactorVAE 和 beta-VAE 相较于标准 VAE 或非变分自编码器在哮喘和慢性阻塞性肺疾病的全基因组显著位点数量、遗传度和多基因风险评分的性能上表现更好，而且 FactorVAE 在正则化超参数的多个值上效果显著，而 beta-VAE 对超参数的值非常敏感。

    Jul, 2023

  • 半监督深度生成模型学习分离表示

    该研究提出了一种使用图形模型和深度神经网络架构的变分自编码器，能够学习到不同的表示形式，进一步实现半监督学习，其生成的能力和区分能力也得到了充分验证。

    Jun, 2017