BrainPath: Generating Subject-Specific Brain Aging Trajectories
Yifan Li, Javad Sohankar, Ji Luo, Jing Li, Yi Su
量化和预测个体大脑衰老轨迹对于理解神经退行性疾病和衰老的异质性至关重要,但目前的方法仍然有限。 大多数模型预测时间年龄,生物老化的不完美替代物,或生成合成核磁共振成像,增强数据多样性,但未能捕获特定主题的轨迹。 在这里,我们介绍了BrainPath,一个3D生成框架,在训练期间学习纵向大脑衰老动力学,并在推断时从单个基线扫描中预测任意时间点的解剖学忠实MRI。 BrainPath集成了年龄校准损失,交换学习策略和年龄感知损失,以保持微妙的,生物学上有意义的变化。 在坚持的ADNI和独立NACC数据集中,BrainPath在结构相似性(SSIM),平均平方误差(MSE),峰值信噪比(PSNR)和MRI年龄差异精度方面优于最先进的参考模型,同时捕获逼真且时间一致的衰老模式。 除了方法创新之外,BrainPath还实现了大脑衰老的个性化映射,合成后续扫描预测和基于轨迹的分析,为大脑衰老的精确建模提供了基础,并支持对神经退行性和衰老干预的研究。
Quantifying and forecasting individual brain aging trajectories is critical for understanding neurodegenerative disease and the heterogeneity of aging, yet current approaches remain limited. Most models predict chronological age, an imperfect surrogate for biological aging, or generate synthetic MRIs that enhance data diversity but fail to capture subject-specific trajectories. Here, we present BrainPath, a 3D generative framework that learns longitudinal brain aging dynamics during training and...