基于部分信息分解引导的离散化半U-Net实现Tau-PET从多模态T1加权和FLAIR MRI的可解释合成
计算机视觉与模式识别
2026-04-10 v2 人工智能
摘要
Tau 脑正电放射性筛查 (tau-PET) 是阿尔茨海默病的重要体内生物标志物, 但其成本、获取受限以及获取负担限制了其在临床中的广泛应用。本工作提出一种可解释的多模态图像合成框架, 用于从配对的 T1 加权和 FLAIR MRI 生成 tau-PET。该模型将部分信息分解启发的向量量化编码器与 Half-UNet 解码器相结合, 前者将潜在表示分离为冗余、唯一和互补 (协同) 组件, 后者通过基于边缘条件的伪跳过连接来保留解剖结构, 而非直接进行编码器到解码器的特征旁路。该方法在 ADNI-3 和 OASIS-3 上使用 605 名训练和 83 名验证受试者进行评估, 并与连续潜在、离散潜在和直接回归基线进行比较, 包括 VAE、VQ-VAE、UNet 和 SPADE 变体 UNet。评估包括原始 PET 重建、SUVR 重建、高摄取区保留、区域一致性、Braak 分期跟踪和事后统计检验。在 17 个评估模型中, 提出的 DQ2H-MSE-Inf 变体在原始 PET 保真度和下游 Braak 分期性能方面取得最佳结果, 同时在 SUVR 重建和区域一致性方面保持竞争力。Shapley 分析进一步表明, 互补和冗余潜在组件贡献了最大的提升, 支持了跨模态相互作用在 tau-PET 恢复中所发挥的作用。我们展示了该方法可以在提供改进架构可解释性的同时, 支持临床相关的 tau-PET 合成。
引用
@article{arxiv.2602.22545,
title = {Interpretable Tau-PET Synthesis from Multimodal T1-Weighted and FLAIR MRI Using Partial Information Decomposition Guided Disentangled Quantized Half-UNet},
author = {Agamdeep S. Chopra and Caitlin Neher and Tianyi Ren and Juampablo E. Heras Rivera and Hesam Jahanian and Mehmet Kurt},
journal= {arXiv preprint arXiv:2602.22545},
year = {2026}
}