退行性逆行神经影像网：生成模拟疾病进展的影像

原文题目：Degenerative Adversarial NeuroImage Nets: Generating Images that Mimic Disease Progression

摘要：模拟代表神经退行性疾病的图像对于预测患者预后和验证疾病进展的计算模型具有重要意义。这种能力对于二级预防临床试验是有价值的，因为这些试验的结果和筛选标准涉及到神经影像学。传统的计算方法由于引入了萎缩的参数模型而受到限制，对资源的要求非常高。深度学习的最新进展为纵向研究(如面部老化)提供了数据驱动的模型，能够实时生成合成图像。类似的解决方案可以用来模拟大脑萎缩的轨迹，尽管需要解决新的挑战，以确保准确的疾病进展模型。在这里，我们提出退化对抗性神经图像网络(DaniNet)-一种新的深层次学习方法，学习模拟神经变性对MRI的影响。DaniNet使用一组基础的支持向量回归器(SVRs)，用于捕捉伴随疾病进展的区域强度变化模式。DaniNet生成整个输出图像，由2D-MRI切片组成，这些切片被约束以与SVR的区域预测相匹配。DaniNet还可以根据非影像学特征(年龄、诊断等)来确定进展情况。同时也保持了个体独特的脑形态。对抗性训练确保真实的大脑图像和平稳的时间进展。我们训练我们的模型使用9652 T1加权(纵向)MRI提取的阿尔茨海默病神经成像倡议(ADNI)数据集。我们在1283张图像(也来自ADNI)的单独测试集上进行定量和定性评估，证明DaniNet能够产生准确和令人信服的模拟疾病进展的合成图像。

原文地址：https://arxiv.org/abs/1907.02787

作者：Daniele Ravi, Daniel C. Alexander, Neil P. Oxtoby