反事实性MRI生成与否定性扩散模型用于可解释的阿尔茨海默病效应检测

科学领域:

• 人工智能的人工智能
• 神经成像是一种神经成像.
• 医学诊断 医学诊断 医学诊断

背景情况:

• 生成型人工智能,特别是无声扩散模型,可以产生高质量的合成图像,并学习复杂的数据分布.
• 了解阿尔茨海默病 (AD) 对大脑解剖学的影响需要先进的分析工具.
• 训练数据集大小和计算资源的局限性阻碍了用于医学成像的AI模型的开发.

研究的目的:

• 训练条件隐性扩散模型 (LDM) 和无声扩散概率模型 (DDPM) 来生成合成3D T1加权MRI扫描.
• 通过使用生成性AI,在个人层面上研究阿尔茨海默病对大脑解剖学的影响.
• 为了克服训练数据集大小,计算时间和扩散模型开发的内存资源方面的挑战.

主要方法:

• 在真实3D T1加权MRI扫描上训练有条件的LDM和DDPM,使这一代对临床诊断有条件.
• 使用现实主义和多样性的指标评估合成MRI质量.
• 评估了扩散模型为基于3D CNN的疾病分类器条件取样MRI大脑的能力.
• 采用无分类器指导,从个体患者数据中生成反事实健康大脑扫描.
• 从反事实图像生成个性化的疾病地图,以识别潜在的疾病影响.

主要成果:

• 扩散模型产生了现实的和多样化的合成MRI数据.
• 在有限的真实MRI扫描上训练时,合成数据提高了阿尔茨海默病分类器的性能超过3%.
• 无分类器指导使得能够生成个性化的反事实健康大脑扫描,保留特定主体的细节.
• 成功生成了个性化的疾病地图,以突出潜在的AD相关的大脑变化.

结论:

• 条件扩散模型可以有效地生成高质量的合成大脑MRI数据.
• 生成的合成数据有效地提高了对阿尔茨海默病的诊断AI模型的培训.
• 该方法提供了一种创新的方法,用于创建可解释的,基于人工智能的个性化疾病地图,用于神经科学研究和临床应用.