图形-卷积-贝塔-VAE用于合成腹腔大动脉动脉瘤生成
Francesco Fabbri1, Martino Andrea Scarpolini1,2, Angelo Iollo3
1School of Mathematics, Gran Sasso Science Institute, L'Aquila, 67100, Italy.
Medical & biological engineering & computing
|December 4, 2025
概括
这项研究引入了一种新的GCN-β-VAE模型,用于生成现实的合成腹腔大动脉动脉瘤 (AAA) 数据. 这种方法通过保护隐私并实现强大的数据分析来增强医学研究.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 合成数据生成对医学研究至关重要,解决隐私问题,并使大规模的患者数据分析成为可能.
- 腹腔大动脉瘤 (AAA) 研究需要多样化的数据集来进行可靠的分析和设备开发.
- 现有的方法可能难以捕捉AAA数据集中的复杂解剖变异.
研究的目的:
- 开发和评估一个与β-变量自编码器 (GCN-β-VAE) 结合的图形卷积神经网络,用于合成AAA数据生成.
- 从有限的现实世界AAA数据中提取关键的解剖特征并捕捉复杂的统计关系.
- 增强数据的多样性和现实性,以改善临床和统计分析.
主要方法:
- 利用GCN-β-VAE框架在AAA数据中建模解剖特征和统计关系.
- 采用Procrustes分析用于低影响数据增强,以保持解剖完整性.
- 实施了决定性和随机生成策略,以增加数据多样性和现实性.
主要成果:
- GCN-β-VAE模型成功生成了合成AAA数据,保留了解剖完整性和增强了多样性.
- 该模型在未见的数据上表现出强的性能,在捕捉非线性解剖变异方面超过了基于PCA的方法.
- 合成数据集比单独的原始数据集更容易进行更全面的临床和统计分析.
结论:
- GCN-β-VAE框架提供了一种可扩展和保护隐私的方法,用于生成高可靠性的合成AAA数据.
- 这种方法支持先进的医学研究,设备测试和计算建模,通过克服小的现实世界数据集的局限性.
- 生成的合成数据可以更彻底地调查AAA病理和潜在的治疗方法.
