解耦海马体形状变异：基于对比学习网格变分自编码器的神经疾病研究
计算机视觉与模式识别
2024-11-12 v3 机器学习
神经元与认知
摘要
本文提出了一项综合研究，重点是在神经疾病的背景下，从扩散张量成像 (DTI) 数据集中解耦海马体的形状变异。利用通过监督对比学习增强的网格变分自编码器 (VAE)，我们的方法旨在通过解耦分别对应年龄和疾病存在的两个不同潜在变量来提高可解释性。在我们的消融研究中，我们考察了一系列 VAE 架构和对比损失函数，展示了我们方法增强的解耦能力。该评估使用了合成的 3D 环面网格数据和源自 DTI 海马体数据集的真实 3D 海马体网格数据集。在解耦分数方面，我们的监督解耦模型优于几种最先进的 (SOTA) 方法，如属性 VAE 和引导 VAE。我们的模型利用海马体数据区分了多发性硬化症 (MS) 患者的年龄组和疾病状态。我们带有监督对比学习的 Mesh VAE 展示了 MS 人群在不同年龄下海马体的体积变化，且结果与当前神经影像学文献一致。这项研究使用带有监督对比损失的 Mesh VAE，为不同年龄组的 MS 人群中神经疾病与海马体形状变化之间的关系提供了有价值的见解。我们的代码可在 https://github.com/Jakaria08/Explaining_Shape_Variability 获取
引用
@article{arxiv.2404.00785,
title = {Disentangling Hippocampal Shape Variations: A Study of Neurological Disorders Using Mesh Variational Autoencoder with Contrastive Learning},
author = {Jakaria Rabbi and Johannes Kiechle and Christian Beaulieu and Nilanjan Ray and Dana Cobzas},
journal= {arXiv preprint arXiv:2404.00785},
year = {2024}
}
备注
Length: 26 pages and Accepted for publication in the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2024:030