Align-cDAE: 基于注意力对齐的条件扩散自编码器 for 阿尔茨海默病病程建模
计算机视觉与模式识别
2026-03-03 v1
摘要
基于生成式AI框架的纵向人脑图像建模与预测提供了一种高效的机制，用于跟踪神经退行性病程，这对于评估像阿尔茨海默病这样的疾病至关重要。尽管已有生成方法，但最近的扩散-based 模型已成为有效的替代方案，用于生成疾病病程图像。在扩散框架中将多模态和非影像属性作为条件信息纳入进来已显示可以提高此类生成的可控性。然而，现有方法并未明确确保来自非影像条件模态的信息与图像特征实现有意义的对齐，以引入对生成图像中特定病程区域的调制。此外，更精确地控制生成过程可以通过在模型内部表示中引入病程相关结构来实现，而现有方法尚缺乏这一点。为克服这些限制，我们提出了一种基于扩散自编码器的疾病病程建模框架，通过显式强制实现不同模态之间的对齐。通过引入显式目标函数，该模型可专注于显示病程相关变更的区域。进一步，我们构思了一种机制来更好地结构化扩散自编码框架的潜在表征空间。具体来说，我们为整合病程相关条件和保留受试者特定身份信息分配独立的潜在子空间，从而实现更可控的图像生成。这些结果表明，通过对扩散自编码框架的潜在表征空间进行对齐和更好的结构化，能够实现对阿尔茨海默病病程的更精确的解剖学建模。
引用
@article{arxiv.2603.01552,
title = {Align-cDAE: Alzheimer's Disease Progression Modeling with Attention-Aligned Conditional Diffusion Auto-Encoder},
author = {Ayantika Das and Keerthi Ram and Mohanasankar Sivaprakasam},
journal= {arXiv preprint arXiv:2603.01552},
year = {2026}
}