arXiv cs.AI· Antonio Scardace, Silvia Ingala, Sebastiano Battiato, Daniele Rav\`i·· 11 小时前AI 评分27
MC-LDM：多模态条件潜在扩散模型用于时空脑部 MRI 预测
Multimodal-Conditioned Latent Diffusion Models for Spatiotemporal Brain MRI Forecasting
AI 导读
研究者提出多模态条件潜在扩散模型 MC-LDM，训练时利用 MRI、tau-PET、CDR 和 APOE4 等生物标志物，推理时仅需基线 MRI、APOE4 与患者元数据。
正文 · AI 翻译
摘要：3D 解剖结构的时空预测是建模阿尔茨海默病（AD）进展的一项关键生成式视觉挑战。虽然基于单模态数据的脑部 MRI 预测已取得进展，但其他关键互补的多模态生物标志物仍未得到充分利用。在本工作中，我们提出了多模态条件潜在扩散模型（MC-LDM），这是一种用于患者特异性脑部 MRI 合成的新框架。MC-LDM 在训练期间利用多模态生物标志物——MRI、tau-PET、临床痴呆评定量表（CDR）和 APOE4——但在推理时仅依赖基线 MRI、APOE4 和患者元数据，反映了现实临床中的可用性。我们的贡献有三方面：（1）通过低秩适应（LoRA）微调的潜在扩散模型（LDM），以实现数据高效学习；（2）多模态条件化，整合分子和临床信号以建模异质性疾病的轨迹；（3）辅助预测器，从 MRI 特征和患者协变量估计未观测到的多模态生物标志物，以对扩散模型进行条件化，从而在推理时无需这些评估。MC-LDM 在阿尔茨海默病神经影像学倡议（ADNI）中 852 名受试者的 1,355 次访视上训练，在包含 664 次访视的独立测试集上，将平均区域体积 MAE 相比第二佳基线降低了 18%。据我们所知，MC-LDM 是首个利用多模态先验进行 MRI 预测的基于扩散的框架。这一概念性进展使得能够生成患者特异性轨迹，捕捉仅从结构解剖无法观察到的 AD 异质性方面，弥合了丰富的多模态监督与常规临床部署的严格约束之间的差距。代码可在以下网址获取：this https URL。
| 评论： | 被 WACV 2027 接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.25481 [cs.CV] |
| （或 arXiv:2610.25481v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.25481 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Antonio Scardace [查看电子邮件]
[v1]
2026 年 10 月 18 日星期日 19:09:40 UTC（1,219 KB）
[v2]
2026 年 10 月 20 日星期二 10:25:35 UTC（1,219 KB）
来源：arXiv cs.AI · arxiv.org