基于扩散自编码器的阿尔茨海默病疾病进程无监督建模——AD-DAE

生成式建模框架已成为有效捕获大规模数据中高维图像分布的methods，无需特定领域知识，此能力对纵向疾病进程建模至关重要。近期的生成式建模方法尝试通过将图像映射到潜表示空间，然后控制和引导表示以从基线图像生成后续图像来捕获进程。然而，现有方法在分布学习上施加约束，导致潜空间可控性有限，难以在缺乏主动监督的情况下生成后续图像。为实现潜空间中受控运动并以无监督方式从基线图像生成进程图像，我们引入一种可条件化的扩散自编码器框架。扩散自编码器的显式编码机制形成紧凑的潜空间，捕获高层语义信息，提供解耦与进程相关信息的means。我们利用该潜空间对基线表示施加受控偏移，以生成后续图像。通过限制这些偏移范围于子空间，从而将与进程相关的因素与保留主体身份的成分区分开来。这些偏移隐式地通过与进程属性的相关性得到引导，无需主体特定的纵向监督。我们通过图像质量指标、体积进程分析以及下游分类任务在来自两个不同来源和疾病类别的阿尔茨海默病数据集上进行验证，表明该方法有效地支持了阿尔茨海默病进程建模与纵向图像生成。