Euijin Jung，Miguel Luna，Sang Hyun Park
（Department of Robotics and Mechatronics Engineering，Daegu Gyeongbuk Institute of Science and Technology ，Daegu，South Korea）
开发一种预测阿尔茨海默症进展的自动化工具对于疾病的早期检测至关重要，以便提供个性化治疗并防止潜在的快速恶化。现代机器学习方法通过建模可以有效地预测序列数据的纵向变化，但大多数方法需要大量数据才能获得良好的性能。疾病发展中的纵向脑部磁共振图像的数量非常重要，但相关研究通常是在有限的数据下进行的，也没有可以普遍使用的模型。条件生成对抗网络（Conditional generative adversarial Networks，cGAN）被经常用于生成受进展性疾病影响的图像，因为它们能够控制合成图像的转换。
由于三维操作的复杂性，之前大多数用于三维图像生成的cGAN方法主要设计用于在二维空间中操作。然而，通过这些方法生成的三维图像通常会受到二维切片之间的不连续性和不一致变换的影响，因为独立生成的二维图像很难反映三维空间中发生的与条件相关的体积变化。因此，将这些不可靠的合成图像包含在用于下游分析（例如阿尔茨海默症阶段分类）的数据集中，会对患者的结果产生不利影响。另一方面，尽管在二维空间中操作不是最佳选择，但开发并利用全尺寸三维磁共振图像的模型计算要求更大，且训练参数数量增加，更具挑战性。
为了解决这个问题，本文提出了一种新的cGAN模型，该模型在指定阿尔茨海默症条件下生成逼真且高质量的三维磁共振图像。模型包括用于合成二维图像的基于注意力的二维生成器、用于确保二维切片真实并满足目标条件的二维鉴别器和用于说明三维结构信息的三维鉴别器，同时避免基于三维的cGAN的大量计算需求。三维鉴别器检查由二维生成器在同一小批量中合成的连续二维切片的部分，这允许二维生成器在所有方向上产生连续输出。此外，文章提出了一种新的自适应身份丢失，它通过调节受影响的大脑区域的变化量，以在训练期间完成一致且平滑的转换。实验结果表明，所提出的方法在多个指标上优于以前的cGAN方法。通过调整与连续切片数量相关的回归权重来改善图像质量，从而生成的图像比初步版本更好地反映条件。
本文的主要贡献点如下：（1）提出了一种新的cGAN模型，可以通过随着疾病的进展专门改变受影响的区域来预测阿尔茨海默症阶段之间任何中间点的大脑状态。（2）在基本二维cGAN结构中添加三维鉴别器允许生成器通过考虑相邻二维切片的连续性同时保持低计算量来合成平滑逼真的三维磁共振图像。（3）使用提出的自适应身份损失来正则化转换，使得转换在三个方向上平滑且一致。（4）最后，用于确定GAN性能的各种测量结果证明了所提出方法的有效性。
资料来源：
根据Euijin Jung等于2023年发表在Pattern Recognition期刊题目为《Conditional GAN with 3D discriminator for MRI generation of Alzheimer’s disease progression》的文章缩写整理而成。
