面向多模态脑图像生成与缺失模态插值的自适应临床感知潜在扩散模型
计算机视觉与模式识别
2026-03-11 v1 人工智能
摘要
多模态神经影像提供了关于阿尔茨海默病诊断的互补见解，但临床数据集经常存在缺失模态。我们提出 ACADiff 框架，通过自适应临床感知扩散合成缺失的脑部成像模态。ACADiff 通过注意力地关注可用成像数据和临床元数据，逐步去噪潜在表示以学习不完整多模态观察与目标模态之间的映射。该框架采用自适应融合，根据输入可用性动态重新配置，并通过 GPT-4o 编码的提示实现语义临床指导。三个专门的生成器实现 sMRI、FDG-PET 和 AV45-PET 之间的双向合成。在 ADNI 受试者上评估的 ACADiff 实现了优异的生成质量，即使在极端 80% 缺失情境下仍保持鲁棒的诊断性能，优于所有现有基线。为促进可重复性，代码已在 https://github.com/rongzhou7/ACADiff 提供。
引用
@article{arxiv.2603.09931,
title = {Adaptive Clinical-Aware Latent Diffusion for Multimodal Brain Image Generation and Missing Modality Imputation},
author = {Rong Zhou and Houliang Zhou and Yao Su and Brian Y. Chen and Yu Zhang and Lifang He and Alzheimer's Disease Neuroimaging Initiative},
journal= {arXiv preprint arXiv:2603.09931},
year = {2026}
}