Learning to synthesise the ageing brain without longitudinal data 笔记

Learning to synthesise the ageing brain without longitudinal data

简要信息

作者： Tian Xia，Agisilaos Chartsias，Chengjia Wang， Sotirios A. Tsaftaris
发表刊物： Medical Image Analysis 2021
开源地址： https://github.com/xiat0616/BrainAgeing

简介及相关工作

（内容都为机翻，主要看黑色标注）

列举了一些纵向分析的方法

​ 预测个体未来状态的能力对于纵向研究可能会带来很大的好处（Ziegler等，2012）。但是，这种学识渊博的现象学预测模型需要捕获由于衰老而引起的解剖学和生理变化，并分离影响未来状态的因素。最近，使用现有的扫描来模拟和预测人脑的未来变性（Ravi等，2019a; Rachmadi等，2019，2020）。

提出问题所在：需要大量的纵向数据；并且说明模型优势：不需要纵向数据生成MRI

​ 但是，当前的方法需要大量纵向数据才能足够近似自动回归模型。在这里，我们提出了一种新的条件对抗训练程序，不需要纵向数据就能训练。我们的方法（如图1所示）综合了所需的年龄和健康状态的老化大脑的图像。

列举一些大脑衰变的论文

​ 大脑衰老伴随着一系列功能和生理变化，已经进行了深入研究（Zecca等，2004； Mattson和Arumugam，2018）。然而，尚未完全揭示了基本机制（L o opezot ́ın等，2013; Cole等，2019）。先前的研究表明，大脑的慢性变化与不同的因素有关，例如生物年龄（Fjell and Walhovd，2010年），例如阿尔茨海默氏病（AD）等退化性疾病（Jack等，1998），暴饮暴食（Coleman Jr等，2014），甚至教育（Taubert等人，，Taubert等， 2010）。对此过程的准确模拟对神经科学研究和临床应用具有巨大的价值，以鉴定与年龄相关的病理（Cole等，2019； Fjell和Walhovd，2010年）。

---

列举一些拟合衰老轨迹的方法以及研究脑影像纵向发展的论文，提出纵向数据难以获取的问题

​ 一个特殊的挑战是受试者间的变化：每个人都有独特的衰老轨迹。以前的方法建立了时空地图集，以预测不同年龄的平均大脑图像（Davis等，2010； Huizinga等，2018）。但是，健康状况不同的人遵循不同的衰老轨迹。地图集可能无法保留特定主题的特征；因此，可能排除对单个轨迹的准确建模，并进一步研究不同因素的影响，例如年龄，性别，教育等（Ravi等，2019b）。最近的研究提出了通过神经网络特异性的衰老进展（Ravi等，2019a； Rachmadi等，2019），尽管它们需要纵向数据进行训练。理想情况下，纵向数据应涵盖长时间的跨度，并频繁采样以确保稳定的训练。但是，此类数据很难获取，尤其是在更长的时间内。即使在ADNI（Petersen等，2010），最著名的大规模数据集之一，纵向图像也在很少的时间点获得，仅覆盖了几年。足够的时间跨度的纵向数据仍然是一个开放的挑战。

提出本文的方法：无需纵向数据的纵向MRI生成

​ 在本文中，我们建立了可以在没有纵向数据的情况下训练的模型的基础。我们的模型的简化示意图与示例结果相同。鉴于大脑图像，我们的模型在目标年龄时会产生同一受试者的大脑。输入图像首先编码为潜在空间，该空间由两个代表目标年龄差异和健康状态的向量（本文中的AD状态）进行调节。条件潜在空间最终被解码为输出图像，即合成老化的图像。

---

自己模型优势的描述，和简要的模型结构

​ 在引擎盖下，训练发电机的是一种深层的对抗方法，可以学习脑外观，年龄和健康状态的联合分布。一个歧视者鼓励产出的质量，该歧视者判断输出图像是否代表了所需的年龄和健康状态的大脑图像的分布。综合中的一个典型问题被横截面数据加剧（Ziegler等，2012）是受试者身份的丧失，即可能与输入主体的身份不符的输出的合成。我们提出并激励两个损失功能，以通过使老化引入的变化量正规化来保留受试者身份。此外，我们激发了调节机制的设计，并表明针对离散和连续变量的顺序二进制编码可显着提高性能。

提出一些实验的内容和思路：1.设计评价指标；2.构建年龄评估；3.多中心的验证；4.消融

​ 我们考虑了几种指标和评估方法，以验证结果的质量和生物学合理性。我们使用来自ADNI数据集（Petersen等，2010）的纵向数据进行定量评估我们的仿真结果，并具有估计图像保真度的经典指标。由于纵向数据仅涵盖有限的时间跨度，因此很难评估数十年来合成的老年图像的质量。对于大脑衰老的合成，就年龄而言，良好的合成大脑图像应该是准确的，即接近我们想要的目标年龄，并保留受试者身份，即应与输入相同。因此，我们预先培训了一个深层网络，以估计输出图像的明显年龄。估计的年龄用作年龄准确性的代理度量。我们还显示了定性的结果，包括对不同健康状态和长期衰老合成的衰老模拟。定量和定性结果都表明，我们的方法的表现优于基准，具有更准确的模拟，以捕获不同健康状态下每个人的特征。此外，我们在CAM-CAN上训练模型，并在ADNI上进行评估，以证明看不见的数据的概括能力。此外，为了证明合成结果的现实主义，我们执行体积合成并评估变形。我们还估计了颞叶中回的灰质萎缩，发现我们的模型即使没有纵向数据，也了解到衰老和疾病会导致萎缩。消融研究研究了损失成分和将临床变量嵌入网络的不同方式的影响。

---

经典的贡献列举： 1.无需纵向数据的MRI生成；2.更改机制，让生成器生成的影像处与所要求的年龄时期，保留对应的病理信息；3.设计一个保证样本信息的损失，同时用于提高生成质量；4.提出验证生成质量以生物学有效性的框架

---

相关工作： 分成两部分描述，一个是描述年龄影像生成的工作，另一个是脑影像年龄预测的工作。

---

MRI生成工作缺点的列举： 要不是构建的平均atlases，或是需要纵向数据，其他的是没有保证样本特征，不然就是没有详细的形态变化评估。

年龄预测工作的缺点： 没有考虑大脑的形态变化 。（个人感觉这个理由有点勉强）

方法

生成器： 经典的Unet结构，修改了跳变连接和中间的过渡层。

判别器： 结构和生成器一样，跳变连接和输出部分有些许变化。

---

损失函数的设置： 两个L1-loss和Wasserstein-Loss，都是常见的，比较特别的是Lid里面关于年龄的缩放因子。

实验

数据集及预处理

**Cam-CAN：**18~88岁的一个脑影像数据集，作者去除25以下及85以上的影像，按照5岁的间隔分组。每组取30个样本训练，8个验证。用于模型的一致性训练（这个数据集是没有AD类标的）

**ADNI：**阿尔兹海默症数据集，786个样本用于训练，136个用于测试（三种类别）。

**预处理：**用DeepBrain去除头骨。FSL和MNI152进行空间映射。在进行强度的归一化处理。选取中间部分60个切片进行实验，大小为（208，160）。

评价指标：

实验