| name | neurodegenerative-4d-diffusion-v3 |
| description | 4D(3D×T)扩散模型用于神经退行性疾病脑解剖结构的纵向生成建模。基于形变的形态测量学(DBM)和平稳速度场(SVF)。 |
| category | ai_collection |
| source | arXiv:2604.22700 |
| published | 2026-04-24 |
| paper_url | https://arxiv.org/abs/2604.22700 |
| tags | ["neurodegenerative","4D diffusion","brain anatomy","longitudinal modeling","DBM","Alzheimer","SVF","medical imaging"] |
Neurodegenerative Brain Anatomy 4D Longitudinal Diffusion Model
概述
来源论文: Generative Modeling of Neurodegenerative Brain Anatomy with 4D Longitudinal Diffusion Model
发表日期: 2026-04-24
arXiv ID: 2604.22700
该研究提出了一种新颖的4D(3D×T)扩散生成框架，用于建模和合成随时间变化的纵向脑解剖结构。这是首个完整的4D扩散网络，能够联合学习空间和时间特征，用于神经退行性疾病（如阿尔茨海默病）的进展预测。
核心方法论
1. 4D扩散模型架构
- 3D空间 + 时间维度: 同时建模空间和时间演化
- 形变空间扩散: 在时空形变空间中建模扩散过程
- 拓扑保持变换: 确保解剖结构合理性
2. 形变基础形态测量 (DBM)
- 平稳速度场(SVF)参数化: 保持恒定的速度场
- 微分同胚变换: 光滑、可逆的映射
- LDDMM框架: 大形变微分同胚度量映射
- 防止伪影: 避免折叠、撕裂、自相交
3. 时间序列建模
- 逐体素patch嵌入: 独立token化每个3D体积
- 时间一致性: 保持跨时间序列一致性
- 连续时间演化: 显式学习脑结构的时间演化
4. 条件生成
- 健康状况: 疾病状态条件
- 人口统计学: 年龄、性别
- 临床变量: 认知评分等
- 基线扫描: 从单一基线预测未来轨迹
数学基础
微分同胚变换
dφₜ/dt = v ∘ φₜ, s.t. φ₀ = x
其中v是平稳速度场，φₜ是时间t的形变场。
扩散过程
- 在形变空间而非像素空间进行扩散
- 保持解剖学拓扑结构
- 连续时间建模
应用场景
- 阿尔茨海默病进展预测: 从基线扫描预测疾病轨迹
- 神经退行性疾病研究: 理解脑结构变化模式
- 早期诊断: 识别高风险个体
- 临床试验支持: 模拟未来疾病进展
- 纵向数据增强: 弥补稀疏纵向数据
实验验证
数据集
- ADNI: 阿尔茨海默病神经影像学倡议
- 大规模纵向MRI数据: 多时相脑成像
下游任务
- AD分类: 阿尔茨海默病诊断
- 脑分割: 解剖结构分割
- 缺失数据增强: 补充纵向神经影像库
性能
- 优于现有像素空间扩散模型
- 优于递归多帧引导模型
- 生成解剖学准确、时间一致的轨迹
技术依赖
pip install torch torchvision
pip install nibabel
pip install monai
pip install numpy scipy
相关论文
- Jayakumar et al. (2026). Generative Modeling of Neurodegenerative Brain Anatomy with 4D Longitudinal Diffusion Model. arXiv:2604.22700
触发关键词
neurodegenerative, 4D diffusion, brain anatomy, longitudinal modeling, DBM, Alzheimer, SVF, medical imaging, disease progression
更新日志
- 2026-04-28: 基于arXiv论文创建技能
