基于 4D 纵向扩散模型的神经退行性脑解剖生成建模
计算机视觉与模式识别
2026-04-27 v1
摘要
理解和预测神经退行性疾病的进展是医学 AI 中的重大挑战，对早期诊断、疾病监测和治疗计划具有重要意义。然而，大多数可获得的纵向神经影像数据在时间上稀疏，每位受试者仅有少数随访扫描。这一稀缺的时序数据限制了我们建模和准确捕捉与疾病进展相关的解剖变化的能力。为此，我们提出一种新型 4D(3DxT) 基于扩散的生成框架，有效地对时间上的脑解剖进行建模和合成，conditioned on 可用的临床变量，如健康状况、年龄、性别及其他相关因素。此外，虽然大多数当前方法聚焦于操作图像强度或纹理，但本方法显式学习拓扑保持的时空变形数据分布，以有效捕捉脑结构随时间的几何变化。该设计使我们能够生成真实的未来解剖状态并重建解剖一致的疾病轨迹，从而提供对纵向脑变化更忠实的表征。我们通过合成序列生成和下游纵向疾病分类以及脑分割进行了模型验证。两个大型纵向神经影像数据集上的实验表明，我们的方法在生成解剖准确、时序一致且临床有意义的脑轨迹方面优于最先进的基准方法。我们的代码已在 GitHub 上提供。
引用
@article{arxiv.2604.22700,
title = {Generative Modeling of Neurodegenerative Brain Anatomy with 4D Longitudinal Diffusion Model},
author = {Nivetha Jayakumar and Swakshar Deb and Bahram Jafrasteh and Qingyu Zhao and Miaomiao Zhang},
journal= {arXiv preprint arXiv:2604.22700},
year = {2026}
}