用于4D纵向医学影像中学习时空轨迹的时序流匹配
计算机视觉与模式识别
2025-09-01 v1
摘要
理解医学影像中的时序动力学对于疾病进展建模、治疗规划和解剖发育跟踪等应用至关重要。然而，大多数深度学习方法要么仅考虑单一时序上下文，要么聚焦于分类或回归任务，限制了其进行细粒度空间预测的能力。虽然已探索了某些方法，但往往仅限于单个时间点、特定疾病或存在其他技术限制。为解决这一根本性差距，我们引入时序流匹配（Temporal Flow Matching, TFM），这是一种统一的生成式轨迹方法：（i）旨在学习底层时序分布，（ii）设计上可回退到最近图像预测器，即预测最后一个上下文图像（LCI），作为一种特殊案例，（iii）支持3D体数据、多个先前扫描以及不规则采样。对三个公开纵向数据集进行的广泛基准测试显示，TFM consistently 超过来自自然影像领域的时空方法，建立了新的研究方法和稳健的基线，用于4D医学图像预测。
引用
@article{arxiv.2508.21580,
title = {Temporal Flow Matching for Learning Spatio-Temporal Trajectories in 4D Longitudinal Medical Imaging},
author = {Nico Albert Disch and Yannick Kirchhoff and Robin Peretzke and Maximilian Rokuss and Saikat Roy and Constantin Ulrich and David Zimmerer and Klaus Maier-Hein},
journal= {arXiv preprint arXiv:2508.21580},
year = {2025}
}