长期阿尔茨海默病预测：基于正态逆伽马分布时间参数估计的不等间隔时间序列图像生成新方法
计算机视觉与模式识别
2025-11-27 v1
摘要
图像生成可以为医生在阿尔茨海默病(AD)预测中提供影像诊断依据。近期研究表明，在处理序列数据中的不规则时间间隔时，长期AD预测的图像生成往往难以维持疾病相关特征。考虑到分布的时间相关方面可以在图像分布不均匀时反映疾病相关特征的变化，本研究提出了一种在正态逆伽马分布中估计时间参数的模型(T-NIG)，以辅助长期图像生成。T-NIG模型利用两个不同时间点的脑图像来创建中间脑图像、预测未来图像并预测疾病。T-NIG通过识别坐标邻域中的特征来设计。它将时间参数纳入正态逆伽马分布中，以理解在具有不同时间间隔的脑成像序列中特征如何变化。此外，T-NIG利用不确定性估计来减少模型中因时间数据不足而产生的认知不确定性与偶然不确定性。特别是，T-NIG模型在数据集中的短期和长期预测任务中均表现出最先进的性能。实验结果表明，T-NIG在面临不规则时间数据分布时，能够熟练地预测疾病进展，同时维持疾病相关特征。
引用
@article{arxiv.2511.21057,
title = {Long-Term Alzheimers Disease Prediction: A Novel Image Generation Method Using Temporal Parameter Estimation with Normal Inverse Gamma Distribution on Uneven Time Series},
author = {Xin Hong and Xinze Sun and Yinhao Li and Yen-Wei Chen},
journal= {arXiv preprint arXiv:2511.21057},
year = {2025}
}
备注
13pages, 6 figures