Biological Brain Age Estimation using Sex-Aware Adversarial Variational Autoencoder with Multimodal Neuroimages

📄 arXiv: 2412.05632v1 📥 PDF

作者: Abd Ur Rehman, Azka Rehman, Muhammad Usman, Abdullah Shahid, Sung-Min Gho, Aleum Lee, Tariq M. Khan, Imran Razzak

分类: cs.CV, cs.AI

发布日期: 2024-12-07

💡 一句话要点

提出基于性别感知的对抗变分自编码器，用于多模态神经影像的生物脑年龄估计。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 脑年龄估计 多模态融合 对抗变分自编码器 神经影像 性别感知

📋 核心要点

  1. 现有脑年龄估计方法在融合结构磁共振成像(sMRI)和功能磁共振成像(fMRI)时，易受fMRI噪声影响，导致精度下降。
  2. 论文提出性别感知的对抗变分自编码器(SA-AVAE)，通过对抗学习和变分学习解耦模态特定和共享的潜在特征。
  3. 实验结果表明，该框架在OpenBHB数据集上优于现有方法，并在不同年龄组中表现出良好的鲁棒性。

📝 摘要（中文）

脑年龄估计是评估大脑健康的关键生物标志。结合结构磁共振成像(sMRI)和功能磁共振成像(fMRI)有望通过利用互补数据来提高脑年龄估计的准确性。然而，fMRI数据比sMRI噪声更大，这使得多模态融合变得复杂。传统的融合方法通常引入比有用信息更多的噪声，反而降低了精度。本文提出了一种新颖的多模态框架，用于生物脑年龄估计，该框架利用了性别感知的对抗变分自编码器(SA-AVAE)。我们的框架集成了对抗学习和变分学习，以有效地解耦来自两种模态的潜在特征。具体来说，我们将潜在空间分解为模态特定的编码和共享编码，分别表示跨模态的互补信息和共同信息。为了增强解耦效果，我们引入了交叉重建损失和共享-区分距离比率损失作为正则化项。重要的是，我们将性别信息整合到学习到的潜在编码中，使模型能够捕获性别特定的衰老模式，并通过集成的回归模块进行脑年龄估计。我们在公开的OpenBHB数据集上评估了我们的模型，这是一个用于脑年龄估计的综合多站点数据集。消融研究和与最先进方法的比较结果表明，我们的框架优于现有方法，并在各个年龄组中表现出显著的鲁棒性，突出了其在神经退行性疾病早期检测中实时临床应用的潜力。

🔬 方法详解

问题定义：脑年龄估计旨在预测个体的生理年龄，是评估大脑健康的重要指标。现有方法在融合sMRI和fMRI等多模态数据时，面临fMRI数据噪声大的挑战，传统融合方法容易引入噪声，降低脑年龄估计的准确性，无法有效利用多模态数据的互补信息。

核心思路：论文的核心思路是利用对抗变分自编码器(AVAE)学习sMRI和fMRI数据的共享和模态特定潜在表示，并通过对抗学习解耦这些表示，从而有效融合多模态信息。此外，引入性别信息，使模型能够学习性别相关的衰老模式，提高脑年龄估计的准确性。

技术框架：该框架包含以下主要模块：1) 编码器：分别将sMRI和fMRI数据编码到潜在空间；2) 解码器：从潜在空间重建sMRI和fMRI数据；3) 对抗网络：区分共享潜在编码和模态特定潜在编码，促进解耦；4) 回归模块：基于学习到的潜在编码预测脑年龄。整体流程是，输入sMRI和fMRI数据，通过编码器得到潜在编码，然后通过解码器重建数据，对抗网络用于解耦潜在编码，最后回归模块预测脑年龄。

关键创新：该论文的关键创新在于：1) 提出了一种性别感知的对抗变分自编码器(SA-AVAE)，能够有效解耦多模态数据的潜在表示；2) 引入交叉重建损失和共享-区分距离比率损失，进一步增强了解耦效果；3) 将性别信息融入潜在编码，使模型能够学习性别相关的衰老模式。与现有方法相比，该方法能够更有效地融合多模态数据，并提高脑年龄估计的准确性。

关键设计：1) 损失函数：包括重建损失（sMRI和fMRI）、对抗损失（解耦共享和模态特定编码）、交叉重建损失（增强解耦）、共享-区分距离比率损失（增强解耦）和回归损失（脑年龄预测）；2) 网络结构：编码器和解码器采用卷积神经网络，对抗网络采用多层感知机；3) 性别信息：通过one-hot编码表示性别，并将其与潜在编码连接，作为回归模块的输入。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该框架在OpenBHB数据集上优于现有方法，例如在平均绝对误差(MAE)和均方根误差(RMSE)等指标上取得了显著提升。消融研究表明，性别信息、对抗学习和交叉重建损失等关键模块均对性能提升有贡献。此外，该方法在不同年龄组中表现出良好的鲁棒性，表明其具有广泛的应用潜力。

🎯 应用场景

该研究成果可应用于神经退行性疾病的早期检测，例如阿尔茨海默病和帕金森病。通过准确估计脑年龄，可以识别大脑衰老加速的个体，从而进行早期干预和治疗。此外，该方法还可以用于评估不同生活方式和环境因素对大脑衰老的影响，为制定个性化的健康管理方案提供依据。未来，该技术有望在临床实践中得到广泛应用，改善人类健康。

📄 摘要（原文）

Brain aging involves structural and functional changes and therefore serves as a key biomarker for brain health. Combining structural magnetic resonance imaging (sMRI) and functional magnetic resonance imaging (fMRI) has the potential to improve brain age estimation by leveraging complementary data. However, fMRI data, being noisier than sMRI, complicates multimodal fusion. Traditional fusion methods often introduce more noise than useful information, which can reduce accuracy compared to using sMRI alone. In this paper, we propose a novel multimodal framework for biological brain age estimation, utilizing a sex-aware adversarial variational autoencoder (SA-AVAE). Our framework integrates adversarial and variational learning to effectively disentangle the latent features from both modalities. Specifically, we decompose the latent space into modality-specific codes and shared codes to represent complementary and common information across modalities, respectively. To enhance the disentanglement, we introduce cross-reconstruction and shared-distinct distance ratio loss as regularization terms. Importantly, we incorporate sex information into the learned latent code, enabling the model to capture sex-specific aging patterns for brain age estimation via an integrated regressor module. We evaluate our model using the publicly available OpenBHB dataset, a comprehensive multi-site dataset for brain age estimation. The results from ablation studies and comparisons with state-of-the-art methods demonstrate that our framework outperforms existing approaches and shows significant robustness across various age groups, highlighting its potential for real-time clinical applications in the early detection of neurodegenerative diseases.