May, 2024

TauAD: 基于条件扩散模型的 PET 成像无需 MRI 的 Tau 异常检测

PDF
TL;DR通过提出一种新颖的条件扩散模型，从 tau PET 成像数据中进行无 MRI 异常检测，并通过训练支持向量机（SVM）对疾病严重程度进行分类，该方法在 AD 患者和亚临床受试者中表现出高准确性和生物相关性。
tau pet imagingalzheimer's diseasemri-free anomaly detectionconditional diffusion modelsupport vector machine
发现论文，激发创造
  • 基于条件生成对抗网络的结构性 MRI 三维淀粉样蛋白质 PET 合成

    开发一种 3D 图像转换模型，能够从 T1 加权 MRI 合成淀粉样蛋白 PET 图像，通过模型训练和验证，证明了从结构性 MRI 图像中合成淀粉样蛋白 PET 图像的可行性，大大提高了大型队列研究和早期痴呆症检测的可访问性，同时降低成本、侵入性和辐射暴露。

    May, 2024

  • 多模态 MRI 基于的阿尔茨海默病相关淀粉样蛋白状态的检测

    通过结构、功能和扩散性 MRI 数据的多模态集成信息，可以准确判别 Aβ 血型在阿尔茨海默病连续性中的状态，为该领域的进一步研究铺平了道路。

    Jun, 2024

  • TauPETGen: 基于潜在扩散模型的文本条件下 Tau PET 影像合成

    本文提出了一种基于文本的图像合成技术，利用主题的 MR 映像和文字描述来生成逼真的 tau PET 影像，该方法基于潜在扩散模型。利用身体图像提供解剖细节，而文本描述可以提供有关 tau 神经纤维缠结可能沉积的位置的指导，初步的实验结果证明了该方法生成真实的 tau PET 影像的可行性。

    Jun, 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

  • 跨模态三维图像合成的循环 2.5D 感知损失：T1 MRI 到 Tau-PET

    阿尔茨海默病（AD）是最常见的痴呆症，其特征是认知能力下降和 tau 蛋白等生物标志物。使用神经网络进行图像合成，可以从易获取的 T1 加权磁共振成像（MRI）图像生成 tau-PET 图像。通过使用 2.5D 感知损失和均方差与结构相似性指数度量的损失结合，能够保证高质量的图像合成。

    Jun, 2024

  • 基于条件扩散模型的引导重建用于无监督脑磁共振成像异常检测

    通过在扩散模型上引入条件机制，对无监督异常检测中的脑部 MRI 图像重构进行优化，以提高重构质量、域适应性特征和分割性能，并且可在不同 MRI 采集和模拟对比度之间进行领域适应，从而提高脑部 MRI 无监督异常检测的性能和泛化能力。

    Dec, 2023

  • 利用健康人群变异性的深度学习无监督脑 FDG PET 异常检测

    我们提出了一种受 Z 分数启发的方法，利用健康人群的变异性来识别阿尔茨海默病相关异常，实验证明了我们方法的有效性。

    Nov, 2023

  • 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

  • 基于扩散模型的时间序列异常检测

    扩散模型在多元时间序列异常检测中显示出潜力，通过比较基线模型和使用 ROCK-AUC 指标扩展的 PA% K 协议，在合成数据集上表现优于其他模型，在真实世界数据集上表现竞争力。

    Nov, 2023

  • 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