退行性对抗神经影像网络：生成模拟疾病进展的图像
图像与视频处理
2019-09-04 v2 人工智能
计算机视觉与模式识别
摘要
模拟代表神经退行性疾病的图像对于预测患者结局和验证疾病进展的计算模型十分重要。这种能力对于结局和筛查标准涉及神经影像的二级预防临床试验具有价值。传统计算方法受限于强加萎缩的参数模型且极其耗费资源。深度学习的最新进展已产生用于纵向研究（例如人脸老化）的数据驱动模型，能够实时生成合成图像。类似的解决方案可用于建模大脑的萎缩轨迹，尽管需要解决新的挑战以确保准确的疾病进展建模。在此我们提出退行性对抗神经影像网络（DaniNet）——一种新型深度学习方法，通过学习将萎缩模拟为年龄和疾病进展的函数，来仿效神经退行性疾病对 MRI 的影响。DaniNet 使用一组底层支持向量回归器（SVRs）进行训练，以捕捉伴随疾病进展的局部强度变化模式。DaniNet 生成完整的输出图像，由 2D-MRI 切片组成，这些切片被约束为与 SVRs 的局部预测相匹配。DaniNet 还能够保持个体独特的大脑形态。对抗训练确保了逼真的大脑图像和平滑的时间进展。我们使用从阿尔茨海默病神经影像倡议（ADNI）数据集中提取的 9652 张 T1 加权（纵向）MRI 训练我们的模型。我们在独立的 1283 张图像测试集（同样来自 ADNI）上进行定量和定性评估，证明了 DaniNet 能够生成准确且令人信服的模拟疾病进展的合成图像。
引用
@article{arxiv.1907.02787,
title = {Degenerative Adversarial NeuroImage Nets: Generating Images that Mimic Disease Progression},
author = {Daniele Ravi and Daniel C. Alexander and Neil P. Oxtoby},
journal= {arXiv preprint arXiv:1907.02787},
year = {2019}
}
备注
Paper accepted for MICCAI 2019