Disentangling Hippocampal Shape Variations: A Study of Neurological Disorders Using Mesh Variational Autoencoder with Contrastive Learning

📄 arXiv: 2404.00785v3 📥 PDF

作者: Jakaria Rabbi, Johannes Kiechle, Christian Beaulieu, Nilanjan Ray, Dana Cobzas

分类: cs.CV, cs.LG, q-bio.NC

发布日期: 2024-03-31 (更新: 2024-11-09)

备注: Length: 26 pages and Accepted for publication in the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2024:030

期刊: Machine.Learning.for.Biomedical.Imaging. 2 (2024)

DOI: 10.59275/j.melba.2024-267f

🔗 代码/项目: GITHUB

💡 一句话要点

提出基于网格变分自编码器的对比学习以解析海马形状变化

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 海马形状变化 网格变分自编码器 监督对比学习 神经系统疾病 多发性硬化症 解耦潜在变量 神经影像学

📋 核心要点

  1. 现有方法在解析海马形状变化时，难以有效区分与年龄和疾病状态相关的潜在变量。
  2. 本研究提出了一种基于网格变分自编码器的监督对比学习方法，旨在提高海马形状变化的可解释性。
  3. 实验结果显示，该模型在解耦评分上优于多种先进方法，能够有效区分多发性硬化症患者的不同年龄组和疾病状态。

📝 摘要（中文）

本论文针对神经系统疾病背景下的海马形状变化进行深入研究，利用增强的网格变分自编码器（VAE）结合监督对比学习，旨在通过解耦与年龄及疾病状态相关的潜在变量来提高可解释性。通过对多种VAE架构和对比损失函数的消融研究，展示了该方法在解耦能力上的提升。实验结果表明，该模型在区分多发性硬化症患者的年龄组和疾病状态方面优于多种先进方法，且与现有神经影像文献一致，提供了海马形状变化与神经系统疾病之间关系的宝贵见解。

🔬 方法详解

问题定义：本论文旨在解决如何有效解析海马形状变化的问题，现有方法在解耦与年龄及疾病状态相关的潜在变量方面存在不足，导致可解释性较差。

核心思路：论文提出的核心思路是结合网格变分自编码器与监督对比学习，通过解耦潜在变量来提高模型的可解释性和性能。这样的设计能够更好地捕捉海马形状变化与年龄、疾病状态之间的关系。

技术框架：整体架构包括数据预处理、网格变分自编码器模型构建、监督对比学习模块以及解耦潜在变量的评估。主要模块包括输入的DTI数据处理、模型训练和性能评估。

关键创新：最重要的技术创新点在于引入监督对比学习来增强网格变分自编码器的解耦能力，与现有的属性和引导VAE方法相比，显著提高了模型在解耦评分上的表现。

关键设计：在模型设计中，采用了多种对比损失函数，并进行了消融实验以优化网络结构，确保模型在处理合成和真实3D海马网格数据时的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的模型在解耦评分上显著优于多种先进方法，尤其是在区分多发性硬化症患者的不同年龄组和疾病状态方面，表现出更高的准确性和一致性，进一步验证了模型的有效性。

🎯 应用场景

该研究的潜在应用领域包括神经影像学、临床诊断和个性化医疗。通过更好地理解海马形状变化与神经系统疾病之间的关系，可以为多发性硬化症等疾病的早期诊断和治疗提供新的思路，推动个性化医疗的发展。

📄 摘要（原文）

This paper presents a comprehensive study focused on disentangling hippocampal shape variations from diffusion tensor imaging (DTI) datasets within the context of neurological disorders. Leveraging a Mesh Variational Autoencoder (VAE) enhanced with Supervised Contrastive Learning, our approach aims to improve interpretability by disentangling two distinct latent variables corresponding to age and the presence of diseases. In our ablation study, we investigate a range of VAE architectures and contrastive loss functions, showcasing the enhanced disentanglement capabilities of our approach. This evaluation uses synthetic 3D torus mesh data and real 3D hippocampal mesh datasets derived from the DTI hippocampal dataset. Our supervised disentanglement model outperforms several state-of-the-art (SOTA) methods like attribute and guided VAEs in terms of disentanglement scores. Our model distinguishes between age groups and disease status in patients with Multiple Sclerosis (MS) using the hippocampus data. Our Mesh VAE with Supervised Contrastive Learning shows the volume changes of the hippocampus of MS populations at different ages, and the result is consistent with the current neuroimaging literature. This research provides valuable insights into the relationship between neurological disorder and hippocampal shape changes in different age groups of MS populations using a Mesh VAE with Supervised Contrastive loss. Our code is available at https://github.com/Jakaria08/Explaining_Shape_Variability