通过混合潜在空间建模对结构连接体的采集变异性进行无监督学习

arXiv:2605.13933v1 公告类型：新 摘要：dMRI 中不同站点、扫描仪和协议的采集差异引入了变异性，使结构连接组分析变得复杂。这激发了深度学习模型可以在低维空间中表示高维连接体，同时明确地将与获取相关的影响与生物变异分开。传统的降维方法将所有方差建模为连续的，因此采集效应通常会被吸收到连续的潜在空间中。最近的混合潜在空间模型结合了离散和连续组件来解决这个问题，但通常需要手动调整容量以确保离散组件捕获预期的可变性。我们引入了一个无监督框架，通过在解码前对编码器输出进行架构退火来消除这种手动调整，从而允许模型在训练期间自适应地平衡离散和连续潜在变量。为了对其进行评估，我们整理了一个由 dMRI 衍生的 N=7,416 个结构连接体数据集，涵盖 2 至 102 岁的年龄，以及 13 项研究和 25 个独特的采集参数组合。其中，5,900 人没有认知障碍，877 人患有轻度认知障碍 (MCI)，639 人患有阿尔茨海默病 (AD)。我们与标准 VAE、具有 k 均值聚类的 PCA 以及仅通过损失函数退火的混合模型进行比较。我们的架构退火产生比这些基线更强的位点学习（ARI=0.53，p<0.05）。结果表明，混合连续-离散潜在空间，采用架构退火而不是基于损失的退火，提供了一种有用的无监督机制，用于捕获 dMRI 中的采集变异性：通过联合建模平滑和分类结构，联合 VAE 恢复与扫描仪和协议差异对齐的簇。