Jun, 2024

TADM：面向脑 MRI 神经退行性进展的时序感知扩散模型

PDF
TL;DR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。
brain mritemporal brain neurodegenerative progressiontemporally-aware diffusion modelstructural changesbrain-age estimator
发现论文，激发创造
  • 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

  • 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

  • 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

  • 通过潜在扩散和先验知识增强时空疾病进展模型

    Brain 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.

    May, 2024

  • 基于 3D CNN 的 sMRI 和 MD-DTI 图像分类，用于阿尔茨海默病研究

    本文研究了自动分类方法的主要趋势，探讨了卷积神经网络和 MRI 在海马区 ROI 上融合的痴呆症诊断算法，以及通过数据增强来平衡不同大小的类别对分类结果的影响。

    Jan, 2018

  • 区域深度萎缩：一种自监督学习方法，用于从纵向磁共振成像中自动识别与阿尔茨海默病进展有关的区域

    通过结合时间推断、可变形配准神经网络和注意力机制，本文提出了区域性深度萎缩（RDA）方法用于通过 MRI 图像监测神经退行性疾病（如阿尔茨海默病）的病程变化，同时提供了解释性更强的研究结果。

    Apr, 2023

  • 脑全景影像转录组学数据增强的可信多视角多模态阿尔茨海默病预测

    通过大脑转录组学，我们提出使用信任的多视图多模态图注意力框架 (TMM) 进行阿尔茨海默病 (AD) 诊断，结合了脑的全面转录组和成像数据，并采用图注意力 (GAT) 处理和交叉模态注意力来融合转录组和成像导出的嵌入，使用真假融合的类别概率 (TFCP) 策略来评估和自适应调整各模态在 AD 诊断中的预测置信度。

    Jun, 2024

  • 结构注重型神经退行性卷积神经网络用于阿尔茨海默病建模与分类

    该研究提出了一种结合了伽玛校正和脑结构专注的神经退化卷积神经网络（SNeurodCNN）的机器学习框架，用于区分早期阿尔茨海默病（AD）和轻度认知障碍（MCI），通过实验证明该模型在诊断及特定脑区变化的准确性、特异性和敏感性方面表现出色，成为早期 AD 诊断的潜在大脑结构变化数字生物标志物。

    Jan, 2024

  • 利用加权孪生网络从 MRI 影像预测阿尔茨海默病的发病时间

    该研究采用孪生网络模型预测 MRI 脑图像中中度认知障碍患者进展至阿尔茨海默病的时间，并通过对不同模型的比较，提出一种带有加权因子的孪生网络，使得预测精确度得到了提高。

    Apr, 2023