Enhancing Spatiotemporal Disease Progression Models via Latent Diffusion and Prior Knowledge

本文介绍了一种新型的基于潜在扩散的疾病时空进展模型——Brain Latent Progression（BrLP）。BrLP旨在预测三维脑MRI中个体层面上的疾病演变。现有的深度生成模型主要是数据驱动的，面临着学习疾病进展的挑战。BrLP通过将疾病模型的先验知识纳入模型中来提高预测的准确性。为了实现这一点，我们提出了一个辅助模型，用于推断各个脑区的体积变化。此外，我们还引入了一种新技术——潜在平均稳定（LAS），以提高预测进展的时空一致性。BrLP在一个大型数据集上进行训练和评估，包括来自三个公开可用的长期阿尔茨海默病（AD）研究的2,805个受试者的11,730个T1加权脑MRI。在实验中，我们比较了BrLP生成的MRI扫描与受试者实际随访MRI扫描的交叉和纵向设置。BrLP相对于现有方法表现出显著的改进，在AD相关脑区的体积准确性上提高了22％，在图像相似性与基准扫描相比上提高了43％。BrLP能够生成个体层面上的条件化三维扫描，以及将先验知识纳入模型以提高准确性的新颖性，代表了疾病进展建模的重大进展，为精准医学开辟了新的途径。BrLP的代码可在以下链接中找到：https://github.com/LemuelPuglisi/BrLP。

论文旨在提出一种新的脑部疾病进展模型，通过基于潜在扩散的方法，在3D脑部MRI上预测个体水平上的疾病进展。

论文提出了Brain Latent Progression（BrLP）模型，该模型结合疾病模型的先验知识，利用辅助模型推断各个脑区的体积变化，进而提高预测准确性，并引入Latent Average Stabilization（LAS）技术，提高预测的时空一致性。

论文在包含11,730个T1加权脑部MRI的大型数据集上进行了训练和评估，来自三个公开可用的长期阿尔茨海默病（AD）研究，实验结果表明，BrLP相比现有方法，能够显著提高预测的准确性和图像相似度，并且能够生成个体水平的3D扫描，开辟了精准医学的新途径。BrLP的代码已经开源。

目前在这个领域中，还有一些相关的研究，例如：Multi-Task Learning for Alzheimer's Disease Diagnosis and Prognosis，Deep Learning for Brain MRI Segmentation: State of the Art and Future Directions等。