基于 MRI 的脑龄估计：使用监督对比学习获取连续表示
计算机视觉与模式识别
2025-12-01 v1 机器学习
摘要
MRI 基于脑龄估计模型旨在根据神经解剖特征等信息，对主体的生物学脑龄进行评估。包括神经退行性疾病在内的各种因素可加速脑衰老，测量这一现象可能作为临床应用的潜在生物标志物。虽然基于深度学习（DL）的回归方法最近受到广泛关注，但现有方法往往难以捕捉神经形态学变化的连续性，可能导致特征表示次优且结果不理想。为此，我们首次提出使用基于监督对比学习的 Rank-N-Contrast（RNC）损失函数，对广泛使用的 T1w 结构性 MRI 进行脑龄估计，并利用 Grad-RAM 可视化解释回归结果。实验表明，我们的方法在训练样本有限的数据集上实现了均值为 4.27 年的平均绝对误差（MAE）和 为 0.93，显著优于使用相同 ResNet 主干的传统深度回归方法，同时在训练数据规模显著更大的情况下，表现优于或相当于当前最先进的方法。此外，Grad-RAM 显示，RNC 损失下的特征比传统深度回归更细致地与年龄回归相关。作为探索性研究，我们采用所提方法估计阿尔茨海默病和帕金森病患者的生物学脑龄与年鉴年龄之间的差距，并揭示了脑龄差距与疾病严重程度之间的相关性，表明其作为神经退行性疾病生物标志物具有潜在价值。
引用
@article{arxiv.2511.22102,
title = {MRI-Based Brain Age Estimation with Supervised Contrastive Learning of Continuous Representation},
author = {Simon Joseph Clément Crête and Marta Kersten-Oertel and Yiming Xiao},
journal= {arXiv preprint arXiv:2511.22102},
year = {2025}
}