May, 2024

通过潜在扩散和先验知识增强时空疾病进展模型

PDF
TL;DRBrain Latent Progression (BrLP) is a disease progression model that predicts the evolution of diseases at the individual level on 3D brain MRIs. By incorporating prior knowledge from disease models and using Latent Average Stabilization (LAS), BrLP achieves significant improvements in volumetric accuracy and image similarity, thus representing a significant advancement in disease progression modeling for precision medicine.
brain latent progressiondisease progression modelspatiotemporal consistencyalzheimer's diseaseprecision medicine
发现论文，激发创造
  • TADM：面向脑 MRI 神经退行性进展的时序感知扩散模型

    提出了一种 Temporally-Aware Diffusion Model (TADM) 的方法，该方法可以准确推测脑 MRI 的进展，包括结构变化和时间间隔，它通过学习扫描之间的强度差异以及与初始基线扫描结合来生成未来的 MRI。通过在 OASIS-3 数据集上进行的评估，表明 TADM 相比现有方法在模拟脑神经退行性进展方面取得了显著的改进。

    Jun, 2024

  • 基于时空相似性度量的基于多任务学习的磁共振成像数据预测阿尔茨海默病进展

    通过基于时空相似性度量的多任务学习方法，我们提出了一种新颖的方法，用于有效预测阿尔茨海默病（AD）进展并敏感地捕捉生物标志物之间的关键关系。实验结果表明，与基于感兴趣区域（ROIs）的学习相比，我们的方法在预测疾病进展方面更加有效，并能够进行纵向稳定性选择以确定生物标志物之间的变化关系。我们证明了皮质体积或表面积之间的协同恶化生物标志物对认知预测具有显著影响。

    Nov, 2023

  • 学习阿尔茨海默病的不可逆进展轨迹

    通过引入一种新的正则化方法，我们提出了一种预测阿尔茨海默病进展的方法，旨在保持疾病风险随时间递增的单调性，同时保留预测准确性。

    Mar, 2024

  • 用于脑龄预测的半监督扩散模型

    我们采用半监督扩散模型，在低质量的 T1w MR 图像上获得了年龄的预测结果与实际年龄之间 0.83（p<0.01）的相关性，这竞争力超过了最先进的非生成方法。此外，我们模型的预测结果与肌萎缩侧索硬化的生存期长度有显著相关性 (r=0.24, p<0.05)，从而显示了扩散模型在脑龄预测任务中的价值。

    Feb, 2024

  • LaTiM: 在连续时间模型中进行纵向表示学习用于预测疾病进展

    该研究提出了一种使用时间感知神经常微分方程（NODE）分析疾病进展的新框架。我们引入了一个在自监督学习（SSL）中训练的 “时间感知头”，以利用潜在空间中的时间信息来进行数据增强。与缺乏显式时间集成的传统方法相比，该方法有效地将 NODE 和 SSL 结合，提供显著的性能改进。我们利用 OPHDIAT 数据库展示了我们的策略在糖尿病视网膜病变进展预测中的有效性。与基准线相比，所有的 NODE 架构在 ROC 曲线下面积（AUC）和 Kappa 指标上都取得了统计显著的改进，突显了使用 SSL 启发式方法进行预训练的效果。此外，我们的框架促进了 NODE 的稳定训练，在时间感知建模中经常遇到的挑战中取得了突破。

    Apr, 2024

  • 基于条件评分的扩散模型用于皮层厚度轨迹预测

    阿尔茨海默病是一种神经退行性情况，其进展速度因个体而异，与皮层厚度的变化密切相关，准确预测皮层厚度的轨迹可以显著提升早期诊断和干预策略，然而，长期数据经常遭受时间上的稀疏和不完整，我们提出了一种用于生成给定基线信息下皮层厚度轨迹的条件分数扩散模型，该模型在训练阶段利用所有可用数据，仅基于基线信息进行预测，无需先验的皮层厚度进展历史，通过对亚组进行比较，我们发现该模型预测的皮层厚度与真实值在 6-36 个月内几乎无偏差，有较窄的 95％置信区间，此外，我们的条件分数扩散模型具有随机生成的特性，因此我们对患者特定皮层厚度的预测进行了不确定性分析。

    Mar, 2024

  • 多模态分层多任务深度学习框架，用于联合预测和解释阿尔茨海默病进展

    该研究提出了一种多模态分层多任务学习方法，可以在访问轨迹的每个时间点监控疾病进展的风险，并且相较于最先进的基线模型，在预测阿尔茨海默病进展风险和综合评分上表现更好。

    Apr, 2024

  • 利用卷积神经网络与长短时记忆层相结合预测帕金森病进展

    该研究使用 “帕金森病进展标志倡议” 数据集，开发了一个 3DCNN + LSTM 模型，通过分析磁共振成像数据来识别帕金森病的进展阶段，并取得了具有最先进结果的 91.90％的分类准确率。

    Dec, 2023

  • 个性化高斯过程预测阿尔茨海默病进展

    本文介绍了使用个性化高斯过程模型（pGP）来预测阿尔茨海默病（Alzheimer's Disease）进展（MMSE、ADAS-Cog13、CDRSB 和 CS）关键指标的方法，并表明该新方法与传统高斯过程的人口建模相比，在预测未来临床状态和认知得分方面具有显著改进。

    Dec, 2017

  • 治疗感知扩散概率模型用于纵向 MRI 生成和弥散性胶质瘤生长预测

    扩散性胶质瘤的成长建模具有挑战性，本论文提出了一种新颖的端到端网络，可生成未来肿瘤掩模和不同治疗计划下肿瘤在任何未来时间点的真实磁共振成像。该模型基于尖端的扩散概率模型和深度分割神经网络，通过扩展扩散模型以包括顺序多参数 MRI 和治疗信息作为条件输入，指导生成扩散过程，以估算给定时间点的肿瘤成长。通过使用真实的手术后纵向 MRI 数据作为训练数据，在各种任务中验证了该模型的优异性能，包括生成带有肿瘤掩模的高质量合成 MRI，时间序列肿瘤分割和不确定性估计。结合治疗感知生成的 MRI，具备不确定性估计的肿瘤成长预测能够为临床决策提供有用的信息。

    Sep, 2023