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

要約

縦方向の磁気共鳴イメージング（MRI）データセットの利用可能性の増加により、人工知能（AI）駆動疾患のモデリングが促進され、個々の患者の将来の医療スキャンを予測できるようになりました。
ただし、AIの大幅な進歩にもかかわらず、現在の方法は、患者固有の個別化の達成、空間的一貫性の確保、縦断的データの効率的な利用、3Dスキャンの実質的なメモリ需要の管理などの課題に直面し続けています。
これらの課題に対処するために、3D脳MRIの個人レベルの疾患の進行を予測するために設計された新規の時空モデルである脳潜在進行（BRLP）を提案します。
BRLPの重要な貢献は4倍です。（i）小さな潜在スペースで動作し、高次元イメージングデータによってもたらされる計算上の課題を軽減します。
（ii）主題メタデータを明示的に統合して、予測の個別化を強化します。
（iii）補助モデルを介して疾患のダイナミクスの事前知識を組み込み、縦断的データの統合を促進します。
（iv）潜在的な平均安定化（LAS）アルゴリズムを導入します。これは、（a）推論時に予測される進行における時空間的一貫性を強化し、（b）予測の不確実性の尺度を導き出すことができます。
2,805人の被験者から11,730 T1強調（T1W）脳MRIでBRLPをトレーニングおよび評価し、962人の被験者から2,257 MRIを含む外部テストセットでその一般化可能性を検証します。
私たちの実験は、BRLP生成されたMRIスキャンを実際のフォローアップMRIと比較し、既存の方法と比較して最先端の精度を示しています。
このコードは、https：//github.com/lemuelpuglisi/brlpで公開されています。

要約(オリジナル)

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. 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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google