Identity Preserving Latent Diffusion for Brain Aging Modeling

📄 arXiv: 2503.09634v1 📥 PDF

作者: Gexin Huang, Zhangsihao Yang, Yalin Wang, Guido Gerig, Mengwei Ren, Xiaoxiao Li

分类: cs.GR

发布日期: 2025-03-11

备注: 19 pages, 10 figures

💡 一句话要点

提出身份保持的潜在扩散模型IP-LDM，用于模拟大脑年龄变化并保持个体一致性。

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

关键词: 脑部影像 年龄建模 生成模型 扩散模型 身份保持

📋 核心要点

  1. 现有生成模型难以在脑部影像年龄转换中保持受试者内时空一致性，这是核心挑战。
  2. IP-LDM通过提取身份表示并结合潜在扩散模型，在年龄转换的同时保持个体身份。
  3. 实验表明，IP-LDM在老年人和婴儿脑部数据集上优于现有模型，生成更逼真的年龄转换。

📝 摘要（中文）

脑部影像随时间的结构和外观变化是神经发育和神经退化的关键指标。大规模生成模型的快速发展为建模脑部影像中这些复杂的全局和局部变化提供了一个有希望的骨干，例如将源图像的年龄转换为目标年龄。然而，当前的生成模型通常在独立同分布（i.i.d.）数据上训练，可能难以在转换过程中保持受试者内时空一致性。我们提出了身份保持的纵向扩散模型（IP-LDM），旨在准确地转换大脑年龄，同时保持受试者身份。我们的方法首先从源图像中提取身份表示。然后，以目标年龄为条件，潜在扩散模型学习生成年龄转换后的目标图像。为了确保同一受试者随时间的一致性，我们使用三元组对比公式来正则化身份表示。我们在老年人和婴儿大脑数据集上的实验表明，我们的模型优于现有的条件生成模型，产生逼真的年龄转换，同时保持受试者内的身份。

🔬 方法详解

问题定义：论文旨在解决脑部影像年龄转换过程中，现有生成模型难以保持受试者个体身份一致性的问题。现有方法通常在独立同分布数据上训练，忽略了纵向研究中同一受试者在不同年龄阶段的关联性，导致年龄转换后的图像可能失去个体特征。

核心思路：论文的核心思路是在年龄转换过程中显式地保留个体身份信息。通过从源图像中提取身份表示，并将其作为扩散模型的条件，引导模型生成既符合目标年龄，又保留个体特征的脑部影像。同时，使用三元组对比损失来正则化身份表示，进一步增强个体身份的区分性。

技术框架：IP-LDM的整体框架包含以下几个主要模块：1) 身份表示提取模块：从源脑部影像中提取个体身份的特征向量。2) 潜在扩散模型：以目标年龄和身份表示为条件，生成年龄转换后的脑部影像。3) 三元组对比损失：用于正则化身份表示，确保同一受试者在不同年龄阶段的身份表示尽可能接近，不同受试者的身份表示尽可能远离。整个流程是先提取身份信息，再利用扩散模型生成目标年龄的图像，并用对比损失进行约束。

关键创新：IP-LDM的关键创新在于将个体身份信息显式地融入到脑部影像的年龄转换过程中。与传统的条件生成模型不同，IP-LDM不仅考虑了目标年龄，还考虑了源图像的个体特征，从而能够生成更逼真、更符合个体特征的年龄转换图像。此外，使用三元组对比损失来正则化身份表示，进一步提高了模型保持个体身份的能力。

关键设计：在身份表示提取模块中，可以使用预训练的深度学习模型（如ResNet）来提取特征。潜在扩散模型可以使用标准的扩散模型架构，如DDPM或LDM。三元组对比损失的计算方式为：L = max(d(a, p) - d(a, n) + margin, 0)，其中a是anchor样本（源图像的身份表示），p是正样本（同一受试者在不同年龄阶段的身份表示），n是负样本（不同受试者的身份表示），d是距离函数（如欧氏距离），margin是边界值。损失函数的权重需要根据实际情况进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，IP-LDM在老年人和婴儿脑部数据集上均优于现有的条件生成模型。通过定量评估，IP-LDM生成的年龄转换图像在保持个体身份方面取得了显著提升。定性结果也表明，IP-LDM能够生成更逼真、更符合个体特征的年龄转换图像。

🎯 应用场景

该研究成果可应用于神经发育和神经退行性疾病的研究，例如预测个体未来的脑部结构变化，评估疾病的进展速度，以及辅助诊断阿尔茨海默病等疾病。此外，该模型还可以用于生成不同年龄阶段的脑部影像数据，用于训练和评估其他脑部影像分析算法。

📄 摘要（原文）

Structural and appearance changes in brain imaging over time are crucial indicators of neurodevelopment and neurodegeneration. The rapid advancement of large-scale generative models provides a promising backbone for modeling these complex global and local changes in brain images, such as transforming the age of a source image to a target age. However, current generative models, typically trained on independently and identically distributed (i.i.d.) data, may struggle to maintain intra-subject spatiotemporal consistency during transformations. We propose the Identity-Preserving Longitudinal Diffusion Model (IP-LDM), designed to accurately transform brain ages while preserving subject identity. Our approach involves first extracting the identity representation from the source image. Then, conditioned on the target age, the latent diffusion model learns to generate the age-transformed target image. To ensure consistency within the same subject over time, we regularize the identity representation using a triplet contrastive formulation. Our experiments on both elderly and infant brain datasets demonstrate that our model outperforms existing conditional generative models, producing realistic age transformations while preserving intra-subject identity.