使用性别感知对抗变分自编码器与多模态神经影像进行生物脑年龄估计

脑老化涉及结构与功能变化，因此是脑健康的关键生物标志物。结合结构磁共振成像（sMRI）与功能磁共振成像（fMRI）有望通过利用互补数据来提升脑年龄估计。然而，fMRI数据比sMRI噪声更大，这使得多模态融合变得复杂。传统的融合方法往往引入的噪声比有用信息更多，从而可能导致精度低于单独使用sMRI。在本文中，我们提出了一种用于生物脑年龄估计的新型多模态框架，利用性别感知对抗变分自编码器（SA-AVAE）。我们的框架将对抗学习与变分学习相结合，有效地将两种模态的潜在特征解耦。具体而言，我们将潜在空间分解为模态特定码和共享码，分别表示模态间的互补信息和共同信息。为增强解耦效果，我们引入交叉重建和共享-差异距离比损失作为正则化项。重要的是，我们将性别信息融入学习到的潜在码中，使模型能够通过集成的回归模块捕捉性别特异性的脑老化模式以进行脑年龄估计。我们在公开可用的OpenBHB数据集上评估了模型，该数据集是一个用于脑年龄估计的综合性多站点数据集。消融实验和与最先进方法的对比结果表明，我们的框架优于现有方法，并在各年龄段表现出显著的鲁棒性，突显其在神经退行性疾病早期检测的实时临床应用潜力。