Enhancing Spatiotemporal Disease Progression Models via Latent Diffusion and Prior Knowledge

📄 arXiv: 2405.03328v1 📥 PDF

作者: Lemuel Puglisi, Daniel C. Alexander, Daniele Ravì

分类: cs.CV, cs.AI

发布日期: 2024-05-06

DOI: 10.1007/978-3-031-72069-7_17

🔗 代码/项目: GITHUB

💡 一句话要点

提出基于潜在扩散和先验知识的BrLP模型，提升脑部疾病时空进展预测精度。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 脑部疾病进展建模 潜在扩散模型 先验知识融合 阿尔茨海默病 时空一致性 3D MRI 深度生成模型

📋 核心要点

  1. 现有深度生成模型在预测脑部疾病进展时，过度依赖数据驱动，难以有效学习疾病演变的复杂模式。
  2. BrLP模型融合疾病模型的先验知识，通过辅助模型推断脑区体积变化，并引入LAS技术提升时空一致性。
  3. 实验表明，BrLP在阿尔茨海默病相关脑区体积精度提升22%，图像相似度提升43%，显著优于现有方法。

📝 摘要（中文）

本文提出了一种新颖的基于潜在扩散的时空疾病进展模型，名为Brain Latent Progression (BrLP)，用于在3D脑部MRI上预测个体层面的疾病演变。现有的为此任务开发的深度生成模型主要由数据驱动，在学习疾病进展方面面临挑战。BrLP通过整合来自疾病模型的先验知识来提高预测的准确性，从而应对这些挑战。为此，我们提出集成一个辅助模型，该模型推断各个脑区域的体积变化。此外，我们还引入了潜在平均稳定化(LAS)，这是一种提高预测进展的时空一致性的新技术。BrLP在一个包含来自2805名受试者的11730个T1加权脑部MRI的大型数据集上进行训练和评估，这些数据来自三个公开的纵向阿尔茨海默病(AD)研究。在我们的实验中，我们将BrLP生成的MRI扫描与受试者提供的实际随访MRI在横截面和纵向设置中进行比较。BrLP在现有方法上表现出显著的改进，在AD相关脑区域的体积精度提高了22%，图像与真实扫描的相似度提高了43%。BrLP在受试者层面生成条件3D扫描的能力，以及整合先验知识以提高准确性的创新性，代表了疾病进展建模的重大进步，为精准医疗开辟了新的途径。BrLP的代码可在以下链接获得：https://github.com/LemuelPuglisi/BrLP。

🔬 方法详解

问题定义：论文旨在解决脑部疾病（特别是阿尔茨海默病）在个体层面的时空进展预测问题。现有方法，特别是深度生成模型，主要依赖数据驱动，缺乏对疾病本身生物学机制的理解，导致预测精度和泛化能力不足。这些模型难以捕捉疾病进展的复杂性和个体差异，限制了其在临床上的应用。

核心思路：BrLP的核心思路是将疾病进展的先验知识融入到深度生成模型中。具体来说，通过引入一个辅助模型来学习各个脑区的体积变化，从而约束生成模型的输出，使其更符合疾病的演变规律。此外，还提出了Latent Average Stabilization (LAS)技术，以提高预测结果在时间和空间上的一致性，避免生成不合理的脑部结构。

技术框架：BrLP基于潜在扩散模型构建，整体框架包含以下几个主要模块：1) 编码器：将输入的3D脑部MRI编码到潜在空间；2) 扩散过程：在潜在空间中逐步添加噪声，将数据转化为高斯噪声；3) 逆扩散过程：从高斯噪声逐步恢复出脑部MRI，并根据条件（例如，疾病阶段）进行控制；4) 辅助模型：预测各个脑区的体积变化，作为先验知识指导逆扩散过程；5) LAS模块：在逆扩散过程中，对潜在变量进行平均稳定化，以提高时空一致性。

关键创新：BrLP最重要的技术创新在于将疾病进展的先验知识融入到潜在扩散模型中。与现有方法相比，BrLP不再仅仅依赖数据驱动，而是结合了疾病的生物学机制，从而提高了预测的准确性和可解释性。此外，LAS技术也是一个创新点，它有效地提高了预测结果的时空一致性，避免了生成不合理的脑部结构。

关键设计：辅助模型采用3D卷积神经网络，输入为脑部MRI，输出为各个脑区的体积变化。损失函数包括重构损失（衡量生成MRI与真实MRI的相似度）、体积损失（衡量辅助模型预测的体积变化与真实体积变化的差异）和LAS损失（衡量潜在变量的时空一致性）。扩散过程和逆扩散过程采用标准的扩散模型架构，例如DDPM或DDIM。LAS模块通过对相邻时间步的潜在变量进行加权平均来实现。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，BrLP在阿尔茨海默病相关脑区的体积精度比现有方法提高了22%，图像与真实扫描的相似度提高了43%。这些结果表明，BrLP能够更准确地预测疾病的进展，并生成更逼真的脑部MRI图像。代码已开源，方便研究人员复现和进一步研究。

🎯 应用场景

BrLP模型可应用于阿尔茨海默病等脑部疾病的早期诊断、个体化治疗方案制定和药物研发。通过预测疾病在个体层面的进展，医生可以更准确地评估患者的风险，制定更有效的干预措施。此外，该模型还可以用于模拟药物对疾病进展的影响，加速药物研发过程，并为临床试验设计提供依据。

📄 摘要（原文）

In this work, we introduce Brain Latent Progression (BrLP), a novel spatiotemporal disease progression model based on latent diffusion. BrLP is designed to predict the evolution of diseases at the individual level on 3D brain MRIs. Existing deep generative models developed for this task are primarily data-driven and face challenges in learning disease progressions. BrLP addresses these challenges by incorporating prior knowledge from disease models to enhance the accuracy of predictions. To implement this, we propose to integrate an auxiliary model that infers volumetric changes in various brain regions. Additionally, we introduce Latent Average Stabilization (LAS), a novel technique to improve spatiotemporal consistency of the predicted progression. BrLP is trained and evaluated on a large dataset comprising 11,730 T1-weighted brain MRIs from 2,805 subjects, collected from three publicly available, longitudinal Alzheimer's Disease (AD) studies. In our experiments, we compare the MRI scans generated by BrLP with the actual follow-up MRIs available from the subjects, in both cross-sectional and longitudinal settings. BrLP demonstrates significant improvements over existing methods, with an increase of 22% in volumetric accuracy across AD-related brain regions and 43% in image similarity to the ground-truth scans. The ability of BrLP to generate conditioned 3D scans at the subject level, along with the novelty of integrating prior knowledge to enhance accuracy, represents a significant advancement in disease progression modeling, opening new avenues for precision medicine. The code of BrLP is available at the following link: https://github.com/LemuelPuglisi/BrLP.