摘要

随着神经退行性疾病如阿尔茨海默病（AD）的发病率增加，对疾病的检测和监测研究需求日益迫切。本文介绍了一种名为MORPHADE的新型无监督学习方法，该方法利用变形自动编码器（AEs）分析3D T1加权脑部MRI图像，以检测、定位和评估AD引起的脑部结构变化。据我们所知，这是首次使用深度无监督学习结合变形技术来实现这一目标。MORPHADE不仅能够有效定位AD相关的脑萎缩，还能通过与临床专家评估的颞叶内侧萎缩（MTA）分数进行视觉相关性分析，显示出其评估异常严重程度的潜力。此外，该方法在AD检测方面达到了0.80的AUROC，超过了多种监督和无监督基线方法。本文的研究为AD的理解、监测和检测提供了新的工具，并已公开代码以支持进一步的研究和应用。

原理

MORPHADE的核心在于使用变形自动编码器（AEs）进行无监督异常检测。自动编码器通过编码器Eθ将输入x映射到低维潜在空间，然后解码器Dϕ从该空间重建输入。通过最小化输入与其重建之间的均方误差（MSE）来优化参数θ和ϕ。在推理阶段，自动编码器生成伪健康重建，其中仅健康组织能够成功重建，任何重建误差被视为异常。变形自动编码器通过估计密集变形场Φ来调整伪健康重建，以适应个体的解剖结构，使用局部归一化交叉相关（LNCC）优化变形场，确保变形平滑且局部，从而减少异常图中的假阳性。此外，通过使用感知损失（PL）和对抗损失，进一步提高了重建的真实性和准确性。

流程

MORPHADE的工作流程包括以下几个关键步骤：首先，使用3D卷积自动编码器处理3D MRI图像。其次，通过对抗训练增加重建的真实性。然后，采用双变形策略，包括约束变形器和非约束变形器，前者用于生成减少假阳性的残差图，后者用于生成突出异常的折叠图。最终，通过将残差图和折叠图像素级相乘，生成具有减少假阳性和改善萎缩定位的异常图。在训练过程中，使用Adam优化器，通过调整β值来控制变形的平滑度和局部性。在推理阶段，使用高β值生成残差图，使用低β值生成折叠图，以增强异常区域的识别。

应用

MORPHADE的应用前景广泛，主要集中在AD的检测、定位和严重程度评估上。该方法不仅能够帮助临床医生更准确地诊断AD，还能为疾病的监测和治疗提供重要信息。此外，MORPHADE的框架可以扩展到其他神经退行性疾病的研究，进一步验证其通用性和临床实用性。随着技术的进一步发展和优化，MORPHADE有望成为非侵入性监测和理解AD的重要工具，为改善患者预后铺平道路。