神经自回归大脑 aging 模型

脑 aging 合成是临床和计算神经科学中的关键任务，旨在预测从早期MRI扫描预测主体未来脑结构演变，为 aging 轨迹提供宝贵见解。然而，数据高维、结构跨年龄细微变化以及主体特异性模式构成合成 aging 脑的挑战。为此，我们提出NeuroAR，一种基于生成式自回归变换器的脑 aging 模型。NeuroAR通过自回归方式估计从便利空间中拼接的前后扫描嵌入向量生成未来扫描的离散标记图，以引导生成，模型在每个尺度拼接主体的前期扫描，并通过跨注意力机制使用其获取年龄和目标年龄。我们在老年人群和青少年群体上进行评估，证明其优于基于变分扩散模型和生成对抗网络等最先进生成模型，尤其在图像保真度方面。此外，我们采用预训练的 age predictor 进一步验证合成图像在预期 aging 模式下的一致性和真实性。NeuroAR显著优于关键模型，展示了其在高保真度下建模主体特异脑 aging 轨迹的能力。