基于时空相似性度量的多任务学习用于 MRI 数据预测阿尔茨海默病进展
机器学习
2023-11-08 v1 计算机视觉与模式识别
图像与视频处理
摘要
识别并利用多种生物标志物追踪阿尔茨海默病（AD）进展近来备受关注，并有助于临床医生及时做出决策。传统的进展模型侧重于从 MRI/PET 图像中提取感兴趣区域（ROIs）的形态学生物标志物，如区域平均皮层厚度与区域体积。它们有效但忽略了脑区 ROI 随时间的关系，这将导致协同恶化。为探索这些生物标志物之间的协同恶化关系，本文提出一种新颖的基于时空相似性度量的多任务学习方法，用于有效预测 AD 进展并敏感捕捉生物标志物之间的关键关系。具体而言，我们首先定义一种时间度量来估计生物标志物随时间变化的大小与速度，其指示变化趋势（时间）。将此趋势转换为向量后，我们在统一向量空间中比较生物标志物之间的这种变异性（空间）。实验结果表明，相较于直接的基于 ROI 的学习，我们所提方法在预测疾病进展上更为有效。我们的方法还能够执行纵向稳定性选择以识别生物标志物之间的变化关系，这在疾病进展中起着关键作用。我们证明皮层体积或表面积之间的协同恶化生物标志物对认知预测具有显著影响。
引用
@article{arxiv.2311.03557,
title = {Spatio-Temporal Similarity Measure based Multi-Task Learning for Predicting Alzheimer's Disease Progression using MRI Data},
author = {Xulong Wang and Yu Zhang and Menghui Zhou and Tong Liu and Jun Qi and Po Yang},
journal= {arXiv preprint arXiv:2311.03557},
year = {2023}
}