arXiv cs.AI· Jianfei Xu, Huizhi Liang, Judith Harrison, John-Paul Taylor, Jaume Bacardit, Varun Ojha·· 11 小时前AI 评分18
HypTI：基于表格与影像数据的双曲几何感知多模态融合痴呆检测框架
HypTI: Hyperbolic Geometry-Aware Multimodal Feature Fusion Framework for Dementia Detection Based on Tabular-Image Data
AI 导读
HypTI 是一个双曲几何感知的多模态融合框架，用于融合临床表格评估与 MRI 扫描进行痴呆检测。它用可学习 Lorentz 原型表示临床表格变量以捕捉评估间的层级关系，并用 ROI 引导的多尺度学习在 Lorentz 空间编码 MRI 解剖模式，再通过自适应融合模块生成受试者特定的缩放与偏移系数动态整合多模态嵌入。在 OASIS-3 数据集上，该框架相比代表性方法取得强劲表现。
正文 · AI 翻译
摘要：AI 辅助的痴呆症检测通常需要融合多种数据的多模态信息，例如临床表格评估数据和神经影像数据。然而，大多数现有方法在欧几里得空间中进行特征融合。这忽略了表示的几何结构，包括临床评估中的层次化组织以及神经影像数据中的多尺度解剖模式。近期研究已证明，双曲空间因其指数级扩展的空间特性，为建模层次化和多尺度结构提供了自然的几何结构。受此启发，我们提出了 HypTI，一个基于临床表格评估和 MRI 扫描的、几何感知双曲多模态融合框架，用于痴呆症检测。HypTI 将双曲表示学习扩展到尚未充分探索的表格-MRI 场景，在双曲空间中联合建模临床表格数据、MRI 扫描以及跨模态交互。具体而言，临床表格变量通过可学习的洛伦兹原型表示，以捕捉评估之间的层次关系；而 MRI 扫描则采用 ROI 引导的多尺度表示学习进行编码，以在洛伦兹空间中捕捉跨脑区和空间尺度的解剖模式。多模态表示通过自适应融合模块进行整合，该模块生成受试者特定的缩放和偏移系数，以动态调制和整合多模态嵌入，从而实现有效的患者级表格-图像表示学习，用于痴呆症检测。在 OASIS-3 数据集上的实验表明，与代表性方法相比，所提出的框架取得了强劲的性能。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.27941 [cs.AI] |
| （或 arXiv:2610.27941v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.27941 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jianfei Xu [查看电子邮件]
[v1]
2026年10月20日星期二 09:49:08 UTC（2,666 KB）
来源：arXiv cs.AI · arxiv.org