Surreal-GAN：基于GAN的半监督表示学习以揭示异质疾病相关成像模式
机器学习
2022-05-11 v1 计算机视觉与模式识别
图像与视频处理
摘要
大量机器学习方法已应用于成像数据，从而能够构建神经与神经精神疾病的临床相关成像特征。此类方法通常未显式建模疾病效应的异质性，或通过不可解释的非线性模型处理。此外，无监督方法可能解析由影响脑结构或功能的干扰混杂因素驱动的异质性，而非与关注病理相关的异质性。另一方面，半监督聚类方法试图推导二分类亚型归属，忽略了疾病异质性在空间与时间上沿连续体延展的事实。为解决上述局限，本文提出一种称为Surreal-GAN（Semi-SUpeRvised ReprEsentAtion Learning via GAN，基于GAN的半监督表示学习）的新方法。利用横断面成像数据，Surreal-GAN在半监督聚类（从正常对照到患者的聚类映射）原则下剖析潜在疾病相关异质性，提出连续维度表示，并沿各维度推断患者个体层面的疾病严重程度。模型首先学习从正常对照（CN）域到患者（PT）域的变换函数，由潜变量控制变换方向。同时施加逆映射函数及函数连续性、模式正交性与单调性的正则化，以确保变换函数捕捉具临床意义的必要成像模式。我们首先通过广泛的半合成实验验证模型，随后展示其在阿尔茨海默病（AD）中捕捉生物学合理成像模式的潜力。
引用
@article{arxiv.2205.04523,
title = {Surreal-GAN:Semi-Supervised Representation Learning via GAN for uncovering heterogeneous disease-related imaging patterns},
author = {Zhijian Yang and Junhao Wen and Christos Davatzikos},
journal= {arXiv preprint arXiv:2205.04523},
year = {2022}
}