基于结构化变分先验的患者脑 MRI 临床合理病理-解剖解耦
计算机视觉与模式识别
2022-11-17 v2
摘要
我们提出了一种分层结构化变分推断模型，用于在脑 MRI 中准确解耦可观测的疾病证据（如脑损伤或萎缩）与受试者特异性解剖结构。借助灵活的部分自回归先验，我们的模型（1）处理了 MRI 的解剖与病理生成因子之间通常存在的细微且细粒度的依赖关系，以确保生成样本的临床有效性；（2）保留并解耦了与患者疾病状态相关的更精细病理细节。此外，我们尝试了一种替代训练配置，即对一部分潜变量单元提供监督。结果表明：（1）部分监督的潜空间在疾病证据与受试者特异性解剖结构之间实现了更高程度的解耦；（2）当先验以自回归结构构建时，来自监督的知识可传播至无监督潜变量单元，从而产生能够建模解剖-病理相互依赖性的更具信息量的潜表示。
引用
@article{arxiv.2211.07820,
title = {Clinically Plausible Pathology-Anatomy Disentanglement in Patient Brain MRI with Structured Variational Priors},
author = {Anjun Hu and Jean-Pierre R. Falet and Brennan S. Nichyporuk and Changjian Shui and Douglas L. Arnold and Sotirios A. Tsaftaris and Tal Arbel},
journal= {arXiv preprint arXiv:2211.07820},
year = {2022}
}
备注
Extended Abstract presented at Machine Learning for Health (ML4H) symposium 2022, November 28th, 2022, New Orleans, United States & Virtual, http://www.ml4h.cc, 11 pages