通过从纵向体积数据中使用神经ODEs学习疾病进展的时空模型

科学领域:

• 医疗图像分析 医学图像分析
• 对于疾病进展建模的深度学习.
• 计算解剖学的计算解剖学

背景情况:

• 预测与年龄有关的疾病的解剖变化是很困难的.
• 准确的预测可以改善患者管理和临床试验设计.
• 目前的方法在模拟时间像素级别变化方面存在困难.

研究的目的:

• 开发一种深度学习方法,从单个医学扫描中预测未来的解剖变化.
• 为了建模与年龄有关的疾病的时间演变.
• 评估地理缩和阿尔茨海默病数据集的方法.

主要方法:

• 利用神经常规微分方程 (NeuralODEs) 来建模时间不变的物理过程.
• 整合了特定域的约束,并定义了一个时间的损失.
• 在视网膜光学连贯断层扫描 (OCT) 和脑磁共振成像 (MRI) 数据集上接受培训和测试.

主要成果:

• 在预测地理缩增长方面表现优于基线模型.
• 在TADPOLE数据集上预测阿尔茨海默病诱导的大脑心室变化方面取得了最先进的结果.
• 在不同的疾病和成像模式中证明了有效性.

结论:

• 拟议的深度学习方法有效地模拟和预测与年龄有关的疾病的时间解剖变化.
• 这种方法有望提高患者管理和临床试验效率.
• 神经ODEs提供了一个强大的框架,用于从医学成像分析疾病进展.