AD-DAE: Alzheimer's Disease Progression Modeling with Unpaired Longitudinal MRI using Diffusion Auto-Encoders

Sintesi Tecnica: AD-DAE – Modellazione della Progressione della Malattia di Alzheimer con MRI Longitudinali Non Accoppiate tramite Diffusion Auto-Encoders

Problema
Modellare la progressione di malattie neurodegenerative come l'Alzheimer richiede la cattura di distribuzioni di immagini ad alta dimensionalità attraverso intervalli temporali longitudinali. Sebbene i modelli generativi (ad es., VAE, GAN) siano stati applicati per predire le immagini MRI di follow-up a partire da punti temporali precedenti, i metodi esistenti presentano limitazioni significative. Molti approcci si affidano a dati longitudinali specifici per il soggetto accoppiati, che sono spesso scarsi. Altri, in particolare quelli che utilizzano Variational Auto-Encoders (VAE) o standard Generative Adversarial Networks (GAN), faticano a disgiungere l'identità specifica del soggetto dalla progressione legata alla malattia. I VAE spesso producono ricostruzioni sfocate che non riescono a preservare l'identità, mentre le GAN possono mancare di un controllo preciso sulla direzione e l'entità dei cambiamenti di progressione senza una guida esplicita accoppiata. Inoltre, i modelli di diffusione latente spesso si affidano a pipeline encoder-decoder separate che limitano la controllabilità durante la generazione dell'immagine. La sfida centrale è generare immagini di follow-up controllate e che preservino l'identità del soggetto partendo da un'immagine a singolo punto temporale, senza richiedere una supervisione longitudinale accoppiata, garantendo al contempo che i cambiamenti siano anatomicamente plausibili e confinati alle regioni rilevanti per la malattia.

Metodologia: Framework AD-DAE
Gli autori propongono AD-DAE (Alzheimer's Disease Diffusion Auto-Encoder), un framework che sfrutta un Diffusion Auto-Encoder (DAE) per modellare la progressione della malattia in uno spazio latente compatto e controllabile. L'architettura consiste in tre componenti primari:

1. Diffusion Auto-Encoder (DAE):

   • Encoder (E): Mappa le immagini MRI 3D in una rappresentazione latente ($z$). A differenza dei convenzionali auto-encoder, l'encoder del DAE si concentra sulla cattura delle strutture semantiche di alto livello, mentre il decoder di denoising gestisce i dettagli ad alta frequenza.
   • Decoder (D): Un modello di diffusione di denoising (basato su DDIM) che trasforma iterativamente il rumore gaussiano in un'immagine target, condizionato dalla rappresentazione latente $z$ proveniente dall'encoder. Questo design permette rappresentazioni latenti esplicite e compatte che facilitano la separazione delle informazioni.

2. Modulo di Stima dello Spostamento Latente (A):

   • Questo modulo induce movimenti controllati nello spazio latente per simulare la progressione. Prende come input attributi di progressione, specificamente il gap di età ($v_a$) e lo stato cognitivo ($v_d$, ad es., CN, MCI, AD).
   • Genera un vettore di spostamento ($z'$) che viene aggiunto a un sottoinsieme specifico del vettore latente ($z_b$) derivato dall'immagine basale (baseline).
   • Fondamentalmente, lo spostamento è applicato solo ai primi $m$ dimensioni dello spazio latente $d$-dimensionale ($z'_f = z_b + [z'; 0]$). Questo meccanismo è progettato per disaccoppiare i fattori legati alla progressione (codificati nelle prime $m$ dimensioni) dalle caratteristiche di identità del soggetto (codificate nelle restanti $d-m$ dimensioni).

3. Modulo di Consistenza (R):

   • Per garantire che la progressione generata sia significativa e anatomicamente vincolata senza una verità fondamentale (ground truth) accoppiata, un modulo di consistenza agisce come regressore.
   • Prende come input l'immagine basale ($x_b$), il follow-up generato ($\hat{x}_f$) e il loro residuo ($x_b - \hat{x}_f$) per predire gli attributi di progressione ($v'_d, v'_a$).
   • Il modulo si concentra sulle regioni specifiche della malattia (ippocampo, amigdala, ventricoli laterali) utilizzando una maschera sul residuo. Ciò guida implicitamente il modulo di Spostamento Latente a produrre cambiamenti che correlano con gli attributi di progressione e sono spazialmente confinati alle aree anatomiche rilevanti.

Addestramento e Inferenza

• Addestramento: Il modello viene addestrato in due modalità. Inizialmente opera in modalità auto-encoding ($\lambda_1=0$) per apprendere le caratteristiche dell'immagine. Successivamente, passa alla modalità di generazione della progressione ($\lambda_1=1$), ottimizzando una funzione di perdita combinata che comprende l'Errore Quadratico Medio (MSE) per la ricostruzione dell'immagine e la perdita di Entropia Incrociata (CE) per la regressione degli attributi del modulo di consistenza.
• Inferenza: Data un'immagine basale e gli attributi target (gap di età, stato cognitivo), l'encoder produce $z_b$. Il modulo di Spostamento Latente calcola $z'$, che viene aggiunto a $z_b$. Il vettore latente modificato guida il decoder di diffusione a generare l'immagine di follow-up $\hat{x}_f$ iterativamente.

Contributi Chiave

1. Framework AD-DAE: Introduzione di un framework di diffusion auto-encoder che modella la progressione dell'Alzheimer consentendo movimenti latenti controllati, separando efficacemente i fattori di progressione dall'identità del soggetto senza dati longitudinali accoppiati.
2. Modellazione della Progressione Non Accoppiata: Un meccanismo per modellare la progressione della malattia senza coppie longitudinali specifiche per il soggetto, imponendo cambiamenti controllati che correlano con gli attributi di progressione e sono spazialmente vincolati alle regioni anatomiche rilevanti per l'Alzheimer.
3. Validazione Completa: Validazione su 1.016 soggetti dai dataset ADNI e OASIS, dimostrando l'efficacia attraverso metriche di qualità dell'immagine, analisi della progressione volumetrica e compiti di classificazione della malattia a valle.

Risultati

• Qualità dell'Immagine: Sul set di test, AD-DAE ha ottenuto prestazioni quantitative superiori rispetto ai baseline (CAAE, IPGAN, UVCGAN, BrLP, DE-CVAE, SITGAN). Ha raggiunto il PSNR più elevato (30.10 dB per CN, 29.43 dB per MCI/AD) e il SSIM più alto (0.94), mantenendo il MSE più basso.
• Analisi Volumetrica: L'Errore Assoluto Medio (MAE) per regione degli errori nei cambiamenti volumetrici nell'ippocampo, nell'amigdala e nei ventricoli laterali ha mostrato che AD-DAE ha superato significativamente tutti i baseline (ad es., 0.0282 MAE per l'ippocampo contro 0.1161 per SITGAN).
• Analisi della Deformazione: L'analisi del determinante di Jacobian ha confermato che AD-DAE cattura più accuratamente le deformazioni anatomiche non lineari (atrofia ed espansione ventricolare) rispetto ad altri metodi, con errori più vicini alla verità fondamentale.
• Utilità a Valle: Nei compiti di classificazione della malattia, i dati generati da AD-DAE hanno aumentato efficacemente i dati di addestramento reali, migliorando l'accuratezza della classificazione a livelli comparabili all'uso del 100% di dati reali.
• Organizzazione dello Spazio Latente: Le proiezioni UMAP e gli esperimenti di scambio latente hanno dimostrato che le prime $m$ dimensioni latenti codificano con successo l'età e lo stato cognitivo, permettendo la generazione di cambiamenti di progressione (ad es., contrazione/espansione ventricolare) preservando l'identità del soggetto.

Significato e Rivendicazioni
L'articolo sostiene che AD-DAE offra un progresso significativo nella modellazione della progressione longitudinale della malattia combinando le capacità di modellazione della distribuzione della diffusione nello spazio delle immagini con la controllabilità di una formulazione di auto-encoding. Gli autori affermano che il loro approccio riesce a organizzare lo spazio latente per separare i fattori di progressione dall'identità del soggetto, consentendo la generazione di immagini di follow-up plausibili senza la necessità di una guida longitudinale esplicitamente accoppiata. I risultati suggeriscono che le deformazioni anatomiche non lineari nello spazio delle immagini possono essere efficacementmente approssimate da trasformazioni lineari all'interno dello spazio latente del DAE. Il framework è presentato come uno strumento robusto per la modellazione della progressione dell'Alzheimer, capace di generare dati che preservano l'identità del soggetto riflettendo al contempo accuratamente i cambiamenti strutturali specifici della malattia, supportando così compiti clinici e di ricerca a valle dove i dati longitudinali accoppiati non sono disponibili.