用于轨迹分类的纵向神经影像数据的半解耦时空隐式神经表示
计算机视觉与模式识别
2025-10-14 v1
摘要
人脑在整个生命周期中经历着动态的、可能由病理驱动的结构变化。纵向磁共振成像(MRI)及其他神经影像数据对于刻画与典型和非典型衰老相关的变化轨迹具有重要价值。然而,这类数据的分析极具挑战性,因为其在个体内部和群体之间具有不同的空间和时间图像采样模式,呈现出离散特性。这导致大多数传统深度学习方法无法表示其潜在的连续生物学过程,从而产生计算难题。为克服这些局限,我们提出了一种全新的、完全数据驱动的方法,通过使用隐式神经表示(INRs)将受试者特异性的纵向T1加权MRI数据建模为连续函数,从而在整个大脑范围内表示衰老轨迹。因此,我们引入了一种新颖的INR架构,能够部分解耦空间和时间轨迹参数,并设计了一个直接在INR参数空间上运行的高效框架,用于大脑衰老轨迹的分类。为了在受控数据环境中评估我们的方法,我们开发了一种生物学上合理的轨迹仿真,并为450名健康和类痴呆受试者在规则和不规则采样时间点生成了T1加权3D MRI数据。在更符合真实情况的不规则采样实验中,我们的基于INR的方法在大脑衰老轨迹分类任务上达到了81.3%的准确率,优于标准深度学习基线模型(73.7%)。
引用
@article{arxiv.2510.09936,
title = {Semi-disentangled spatiotemporal implicit neural representations of longitudinal neuroimaging data for trajectory classification},
author = {Agampreet Aulakh and Nils D. Forkert and Matthias Wilms},
journal= {arXiv preprint arXiv:2510.09936},
year = {2025}
}
备注
Accepted at the MICCAI 2025 Learning with Longitudinal Medical Images and Data Workshop