Brain Latent Progression: Individual-based Spatiotemporal Disease Progression on 3D Brain MRIs via Latent Diffusion

📄 arXiv: 2502.08560v2 📥 PDF

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

分类: cs.CV, cs.AI

发布日期: 2025-02-12 (更新: 2025-07-13)

备注: arXiv admin note: text overlap with arXiv:2405.03328

🔗 代码/项目: GITHUB

💡 一句话要点

提出Brain Latent Progression (BrLP)，通过潜在扩散模型预测个体化脑部MRI疾病进展。

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

关键词: 脑部MRI 疾病进展建模 潜在扩散模型 个体化预测 时空一致性

📋 核心要点

  1. 现有AI方法在个体化、时空一致性、纵向数据利用和3D扫描内存需求方面面临挑战。
  2. BrLP在潜在空间中操作，整合受试者元数据和疾病动态先验知识，并使用LAS算法保证时空一致性。
  3. 实验表明，BrLP在预测脑部MRI疾病进展方面达到了最先进的准确性，并在外部数据集上验证了其泛化能力。

📝 摘要（中文）

本文提出了一种名为Brain Latent Progression (BrLP) 的新型时空模型，旨在预测个体化3D脑部MRI的疾病进展。BrLP通过在小潜在空间中操作，缓解了高维成像数据带来的计算挑战；显式地整合了受试者元数据，以增强预测的个体化；通过辅助模型整合了疾病动态的先验知识，从而有效利用纵向数据；并引入了潜在平均稳定(LAS)算法，该算法在推理时强制执行预测进展中的时空一致性，并允许我们推导出全局和体素级别的预测不确定性度量。在来自2805名受试者的11730个T1加权(T1w)脑部MRI上训练和评估了BrLP，并在包含来自962名受试者的2257个MRI的外部测试集上验证了其泛化能力。实验结果表明，与现有方法相比，BrLP生成的MRI扫描在准确性方面达到了最先进水平。

🔬 方法详解

问题定义：现有基于AI的疾病进展建模方法在预测个体患者的未来医学扫描方面取得了进展，但仍然面临挑战，包括难以实现患者特定的个体化预测、保证预测结果的时空一致性、有效利用纵向数据以及处理3D扫描带来的巨大内存需求。这些问题限制了模型在临床实践中的应用。

核心思路：BrLP的核心思路是在低维潜在空间中学习疾病进展的模式，并利用扩散模型生成未来的MRI扫描。通过在潜在空间中操作，可以显著降低计算复杂度。同时，模型显式地整合了个体患者的元数据和疾病动态的先验知识，从而实现更准确的个体化预测。LAS算法则用于保证预测结果在时空上的一致性。

技术框架：BrLP的整体框架包括以下几个主要模块：1) 编码器：将3D脑部MRI扫描编码到低维潜在空间；2) 疾病进展模型：基于患者元数据和纵向数据，预测潜在空间中的疾病进展轨迹；3) 扩散模型：将潜在空间中的疾病进展轨迹解码为未来的MRI扫描；4) 潜在平均稳定(LAS)算法：在推理时强制执行预测进展中的时空一致性。

关键创新：BrLP的关键创新在于以下几个方面：1) 在潜在空间中进行疾病进展建模，降低了计算复杂度；2) 显式地整合了患者元数据和疾病动态的先验知识，提高了预测的个体化程度；3) 引入了LAS算法，保证了预测结果的时空一致性；4) 使用扩散模型生成MRI扫描，提高了生成图像的质量。

关键设计：BrLP的关键设计包括：1) 使用变分自编码器(VAE)作为编码器和解码器，将MRI扫描映射到潜在空间；2) 使用循环神经网络(RNN)或Transformer模型作为疾病进展模型，预测潜在空间中的疾病进展轨迹；3) 使用扩散模型将潜在空间中的疾病进展轨迹解码为未来的MRI扫描；4) LAS算法通过对多个预测结果进行平均，并对平均结果进行稳定化处理，从而保证预测结果的时空一致性。损失函数包括VAE的重构损失、疾病进展模型的预测损失和LAS算法的稳定化损失。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

BrLP在预测脑部MRI疾病进展方面达到了最先进的准确性。在包含11730个MRI的训练集和2257个MRI的外部测试集上进行了评估，结果表明BrLP生成的MRI扫描与真实的随访MRI扫描高度一致。与现有方法相比，BrLP在多个指标上都取得了显著的提升，例如在结构相似性指数(SSIM)和峰值信噪比(PSNR)等指标上均优于其他方法。

🎯 应用场景

该研究成果可应用于神经退行性疾病（如阿尔茨海默病）的早期诊断和预后预测。通过预测个体患者未来的脑部MRI扫描，医生可以更好地了解疾病的进展情况，制定更有效的治疗方案。此外，该模型还可以用于药物研发，评估药物对疾病进展的影响。

📄 摘要（原文）

The growing availability of longitudinal Magnetic Resonance Imaging (MRI) datasets has facilitated Artificial Intelligence (AI)-driven modeling of disease progression, making it possible to predict future medical scans for individual patients. However, despite significant advancements in AI, current methods continue to face challenges including achieving patient-specific individualization, ensuring spatiotemporal consistency, efficiently utilizing longitudinal data, and managing the substantial memory demands of 3D scans. To address these challenges, we propose Brain Latent Progression (BrLP), a novel spatiotemporal model designed to predict individual-level disease progression in 3D brain MRIs. The key contributions in BrLP are fourfold: (i) it operates in a small latent space, mitigating the computational challenges posed by high-dimensional imaging data; (ii) it explicitly integrates subject metadata to enhance the individualization of predictions; (iii) it incorporates prior knowledge of disease dynamics through an auxiliary model, facilitating the integration of longitudinal data; and (iv) it introduces the Latent Average Stabilization (LAS) algorithm, which (a) enforces spatiotemporal consistency in the predicted progression at inference time and (b) allows us to derive a measure of the uncertainty for the prediction at the global and voxel level. We train and evaluate BrLP on 11,730 T1-weighted (T1w) brain MRIs from 2,805 subjects and validate its generalizability on an external test set comprising 2,257 MRIs from 962 subjects. Our experiments compare BrLP-generated MRI scans with real follow-up MRIs, demonstrating state-of-the-art accuracy compared to existing methods. The code is publicly available at: https://github.com/LemuelPuglisi/BrLP.