May, 2024

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

PDF
TL;DR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。
fmrifunctional connectivitydemographicsvariational autoencodersynthetic data
发现论文，激发创造
  • 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

  • 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

  • 一种用于可控解剖虚拟人群合成的条件流变分自动编码器

    使用带有规范化流的条件变分自编码器 (cVAE) 来进行大量人体结构的虚拟人群条件合成，在临床应用中优越表现。

    Jun, 2023

  • 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

  • 利用二维切片 VAE 建模 3D 脑 MRI 的分布

    该研究提出了一种结合 2D 切片 VAE 和高斯模型，同时捕捉切片之间关系，通过在 2D 模型的潜在空间估计样本均值和协方差的方法来建立 3D MR 脑体积分布模型。该模型生成的高分辨率体积质量优良，能够很好地匹配真实脑部解剖结构。

    Jul, 2020

  • Brain-Diffuser: 使用生成潜在扩散从 fMRI 信号中重建自然场景

    利用神经解码技术和新型图像生成的巨大进展，我们提出了一个两阶段场景重建框架（Brain-Diffuser），它能够从 fMRI 信号中推断出场景的低级特征和整体布局，随后通过潜在扩散模型生成最终重建的图像。该方法在公开数据集基准测试中表现出色，在应用（例如脑机接口）和基础神经科学方面都有深远的影响。

    Mar, 2023

  • 快速可扩展的分布式深度卷积自编码器用于 fMRI 大数据分析

    本文介绍了一种快速和可扩展的分布式深度卷积自编码器模型，其使用卷积神经网络来处理 tfMRI 数据，以学习 tfMRI 数据的复杂层次结构，并实现了在大规模 GPU 集群上对 tfMRI 大数据进行分析，从而将神经科学的信息从海量 fMRI 数据中提取出来。

    Oct, 2017

  • 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

    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。

    Nov, 2022

  • 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

  • 纵向变分自编码器

    该研究提出了一种称为长期 VAE（L-VAE）的方法，通过使用多输出加性高斯过程（GP）先验来扩展 VAE 的能力，从而实现在辅助协变量信息的约束下学习结构化低维表示， 以及导出了一种新的 KL 离散度上界。该方法可以同时适应时间变化的共享和随机效应，产生结构化低维表示，剥离个体协变量或其相互作用的影响，以及实现高度准确的预测性能。

    Jun, 2020