基于3D刚性图的自监督对比学习脑龄预测
机器学习
2024-11-12 v2
摘要
在神经影像学领域，准确的脑龄预测对于揭示脑衰老的复杂性并定位神经退行性疾病的早期指标至关重要。近期发展表明，尤其是在自监督学习，特别是对比学习方面的方法，能够在处理复杂数据集时表现出更好的鲁棒性。然而，现有方法在面对非均匀分布的数据时，常难以实现良好的泛化性，这在医学影像场景中十分常见。为弥合这一差距，我们引入一种在训练过程中动态适应的对比损失，聚焦于样本的局部邻域。此外，我们超越传统结构特征，纳入脑部刚性——这是一项此前鲜有探索却备受期待的机械属性，因其对年龄相关变化敏感。本工作首次将自监督学习应用于脑部机械属性，使用来自 various临床研究的汇编刚性图预测脑龄。我们的方法，特别是动态局部化损失，持续优于现有SOTA方法，表现出卓越的性能，为脑衰老研究开辟了新方向。
引用
@article{arxiv.2408.00527,
title = {Contrastive Learning with Adaptive Neighborhoods for Brain Age Prediction on 3D Stiffness Maps},
author = {Jakob Träuble and Lucy Hiscox and Curtis Johnson and Carola-Bibiane Schönlieb and Gabriele Kaminski Schierle and Angelica Aviles-Rivero},
journal= {arXiv preprint arXiv:2408.00527},
year = {2024}
}