Multi-modal Variational Autoencoders for normative modelling across multiple imaging modalities

要約

一般的な神経疾患を研究する際の課題の 1 つは、原因、神経画像特性、併存疾患、または遺伝的変異の違いを含む疾患の不均一性です。
規範モデリングは、生理学的システムの「正常な」挙動がモデル化され、疾患病理に関連する逸脱を検出するために被験者レベルで使用できる、このようなコホートを研究するための一般的な方法となっています。
多くの異種疾患については、神経画像および生物学的変数の範囲にわたって異常が観察されることが期待されます。
しかし、これまでのところ、標準モデルは主に単一の画像モダリティを研究するために開発されてきました。
私たちは、異常が複数のモダリティの変数にわたって集約され、単一モーダルのベースラインよりも逸脱を検出できる、マルチモーダルの規範モデリング フレームワークを開発することを目指しています。
T1 データと DTI データにわたる被験者レベルの逸脱を検出するために、2 つのマルチモーダル VAE 規範モデルを提案します。
私たちが提案したモデルは、ベースラインのアプローチよりも、罹患した個人を検出し、疾患の重症度を把握し、患者の認知と相関させることができました。
また、関節潜在空間からの偏差を測定する多変量潜在偏差メトリックも提案します。これは、特徴ベースのメトリックよりも優れた性能を発揮します。

要約(オリジナル)

One of the challenges of studying common neurological disorders is disease heterogeneity including differences in causes, neuroimaging characteristics, comorbidities, or genetic variation. Normative modelling has become a popular method for studying such cohorts where the ‘normal’ behaviour of a physiological system is modelled and can be used at subject level to detect deviations relating to disease pathology. For many heterogeneous diseases, we expect to observe abnormalities across a range of neuroimaging and biological variables. However, thus far, normative models have largely been developed for studying a single imaging modality. We aim to develop a multi-modal normative modelling framework where abnormality is aggregated across variables of multiple modalities and is better able to detect deviations than uni-modal baselines. We propose two multi-modal VAE normative models to detect subject level deviations across T1 and DTI data. Our proposed models were better able to detect diseased individuals, capture disease severity, and correlate with patient cognition than baseline approaches. We also propose a multivariate latent deviation metric, measuring deviations from the joint latent space, which outperformed feature-based metrics.

arxiv情報

著者 Ana Lawry Aguila,James Chapman,Andre Altmann
発行日 2023-05-22 16:15:28+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG パーマリンク