基于线性模型的脑 MRI 纵向衰老：MRExtrap

通过 3D 脑 MRI 扫描模拟衰老可揭示神经系统疾病（如阿尔茨海默病）的病程模式。当前基于深度学习的生成模型通常通过从单个观察扫描预测未来扫描来处理此问题。我们通过在卷积自编码器的潜在空间中使用线性模型来建模脑部衰老 (MRExtrap)。我们的方法 MRExtrap 基于我们观察到的自编码器在脑 MRI 上进行训练后，衰老轨迹在潜在空间中呈现约为线性的这一事实。我们在脑 MRI 上训练自编码器以创建潜在空间，并探讨这些潜在空间如何通过基于年龄的线性外推来预测未来 MRI，其中包含估计的潜在衰老速率 $\boldsymbol{\beta}$。对于单扫描预测，我们提出使用基于人群平均值和基于主体的先验线性衰老速率。我们还展示，在存在额外扫描的情况下，可以通过贝叶斯后验抽样灵活地更新预测，为主体特定的细化提供一种机制。在 ADNI 数据集上，MRExtrap 对衰老模式进行准确预测，并在脑部衰老的单体积预测中战胜基于 GAN 的基线方法。我们还展示并分析了多扫描条件，以整合主体特定的衰老速率。最后，我们表明 MRExtrap 中的潜在衰老速率在其线性框架中与先前研究的结构萎缩速率相关的疾病和基于年龄的衰老模式相吻合。MRExtrap 提供了一种简单且稳健的方法，用于基于年龄的 3D 脑 MRI 生成，特别适用于多个纵向观察的场景。