潜在扩散自编码器：迈向高效且有意义的医学影像无监督表征学习

本研究提出了潜在扩散自编码器（Latent Diffusion Autoencoder, LDAE），这是一种新颖的基于扩散的编码器-解码器框架，用于医学影像中的高效和有意义的无监督学习，特别关注阿尔茨海默病（Alzheimer's disease, AD），并以ADNI数据库中的脑部MRI作为案例研究。与传统的在图像空间中操作的扩散自编码器不同，LDAE在压缩的潜在表示中应用扩散过程，提高了计算效率，并使3D医学影像表示学习变得可行。 为了验证所提出的框架，我们探讨了两个关键假设：(i) LDAE能够有效捕捉与AD和衰老相关的3D脑部MRI中的有意义的语义表示；(ii) LDAE在保持计算效率的同时，能够实现高质量的图像生成和重建。实验结果支持这两个假设：(i) 线性探针评估显示了对AD诊断（ROC-AUC：90%，ACC：84%）和年龄预测（MAE：4.1年，RMSE：5.2年）的良好性能；(ii) 学习到的语义表示能够进行属性操作，产生解剖学上合理的修改；(iii) 语义插值实验表明，该模型能够强健地重建缺失的扫描图像，对于6个月的时间间隔，SSIM为0.969（MSE：0.0019）；即使对于更长的时间间隔（24个月），模型仍能保持稳健性能（SSIM > 0.93，MSE < 0.004），显示出其捕捉时间进展趋势的能力；(iv) 与传统扩散自编码器相比，LDAE显著提高了推理吞吐量（快20倍），同时增强了重建质量。 这些发现表明LDAE是一个有前景的框架，适用于可扩展的医学影像应用，并有可能成为医学影像分析的基础模型。代码可在以下地址获取：https://github.com/GabrieleLozupone/LDAE