brlp

Mejorando modelos de progresión de enfermedades espaciotemporales mediante difusión latente y conocimiento previo

Lemuel Puglisi, Daniel C. Alexander, Daniele Ravì

https://github.com/user-attachments/assets/28ad3693-5e3e-4f6e-9bbc-485424fbbee2

Instalación • Entrenamiento • Aplicación CLI • Citar

NOTICIAS

🎉 ¡BrLP ha obtenido el segundo lugar en el premio Media Best Paper Award en MICCAI 2025!

🎉 Nuestro artículo de extensión ha sido aceptado para publicación en Medical Image Analysis (IF=11.8*)

🎉 Un nuevo artículo de la Universidad de Vanderbilt ha replicado nuestros resultados en el conjunto de datos BLSA!
🆕 ¡La guía corta para usar la CLI de BrLP ya está disponible!
🎉 ¡BrLP ha sido nominado y preseleccionado para el MICCAI Best Paper Award! (top <1%)
🎉 BrLP ha sido aceptado anticipadamente y seleccionado para presentación oral en MICCAI 2024 (top 4%)!

Tabla de Contenidos

Instalación
Preparación de datos
Entrenamiento
Modelos preentrenados
Agradecimientos
Citación de nuestro trabajo

Instalación

Descargue el repositorio, haga cd en la carpeta del proyecto e instale el paquete brlp:

pip install -e .

Recomendamos usar un entorno separado (ver Anaconda). El código ha sido probado con python 3.9, sin embargo, esperamos que también funcione con versiones más recientes.

Preparación de datos

Consulta nuestro documento sobre Preparación de datos y reproducibilidad del estudio. Este archivo te guiará en la organización de tus datos y la creación de los archivos CSV necesarios para ejecutar los pipelines de entrenamiento.

Entrenamiento

El entrenamiento de BrLP tiene 3 fases principales que se describirán en las secciones siguientes. Cada entrenamiento (excepto para el modelo auxiliar) puede ser monitoreado usando tensorboard de la siguiente manera:

tensorboard --logdir runs

Train the autoencoder

Follow the commands below to train the autoencoder.

# Create an output and a cache directory
mkdir ae_output ae_cache
Run the training script
python scripts/training/train_autoencoder.py \
  --dataset_csv /path/to/A.csv \
  --cache_dir   ./ae_cache \
  --output_dir  ./ae_output

Luego extrae los latentes de tus datos de MRI:

python scripts/prepare/extract_latents.py \
  --dataset_csv /path/to/A.csv \
  --aekl_ckpt   ae_output/autoencoder-ep-XXX.pth

Reemplace XXX para seleccionar los puntos de control del autoencoder de su elección.

Entrenar el UNet

Siga los comandos a continuación para entrenar el UNet de difusión. Reemplace XXX para seleccionar los puntos de control del autoencoder de su elección.

# Create an output and a cache directory:
mkdir unet_output unet_cache
Run the training script
python scripts/training/train_diffusion_unet.py \
  --dataset_csv /path/to/A.csv \
  --cache_dir   unet_cache \
  --output_dir  unet_output \
  --aekl_ckpt   ae_output/autoencoder-ep-XXX.pth

Entrena el ControlNet

Sigue los comandos a continuación para entrenar el ControlNet. Reemplaza XXX para seleccionar los puntos de control del autoencoder y UNet de tu elección.

# Create an output and a cache directory:
mkdir cnet_output cnet_cache
Run the training script
python scripts/training/train_controlnet.py \
  --dataset_csv /path/to/B.csv \
  --cache_dir   unet_cache \
  --output_dir  unet_output \
  --aekl_ckpt   ae_output/autoencoder-ep-XXX.pth \
  --diff_ckpt   unet_output/unet-ep-XXX.pth

Modelos auxiliares

Sigue los comandos a continuación para entrenar el modelo auxiliar DCM.

# Create an output directory
mkdir aux_output
Run the training script
python scripts/training/train_aux.py \
  --dataset_csv /path/to/A.csv \
  --output_path aux_output

Enfatizamos que cualquier modelo de progresión de la enfermedad capaz de predecir cambios volumétricos a lo largo del tiempo también es viable como modelo auxiliar para BrLP.

Inferencia

Nuestro paquete incluye un comando brlp para usar BrLP en inferencia. Verifique:

brlp --help

El parámetro --input requiere un archivo CSV donde liste todos los datos disponibles para sus sujetos. Como ejemplo, consulte examples/input.example.csv. Si no ha segmentado sus escaneos de entrada, brlp puede realizar esta tarea por usted usando SynthSeg, pero requiere que FreeSurfer >= 7.4 esté instalado. El parámetro --confs especifica las rutas a los modelos y otros parámetros de inferencia, como LAS $m$. Como ejemplo, consulte examples/confs.example.yaml.

Ejecutar el programa se ve así:

inference-preview

Modelos preentrenados

Descargue los modelos preentrenados para BrLP:

| Modelo | URL de Pesos | | ---------------------- | ---------------------------------------------------------- | | Autoencoder | enlace | | Modelo de Difusión UNet| enlace | | ControlNet | enlace | | Modelos Auxiliares (DCM)| enlace |

Agradecimientos

Agradecemos a los mantenedores de bibliotecas de código abierto por sus contribuciones para acelerar el proceso de investigación, con una mención especial a MONAI y su extensión GenerativeModels.

Citación

Medical Image Analysis:

@article{puglisi2025brain,
  title={Brain latent progression: Individual-based spatiotemporal disease progression on 3D brain MRIs via latent diffusion},
  author={Puglisi, Lemuel and Alexander, Daniel C and Rav{\\i}, Daniele},
  journal={Medical Image Analysis},
  year={2025}
}

Actas de MICCAI 2024:

@inproceedings{puglisi2024enhancing,
  title={Enhancing spatiotemporal disease progression models via latent diffusion and prior knowledge},
  author={Puglisi, Lemuel and Alexander, Daniel C and Rav{\\i}, Daniele},
  booktitle={International Conference on Medical Image Computing and Computer-Assisted Intervention},
  pages={173--183},
  year={2024},
  organization={Springer}
}

Actas de SPIE Medical Imaging 2025:

@inproceedings{mcmaster2025technical,
  title={A technical assessment of latent diffusion for Alzheimer's disease progression},
  author={McMaster, Elyssa and Puglisi, Lemuel and Gao, Chenyu and Krishnan, Aravind R and Saunders, Adam M and Ravi, Daniele and Beason-Held, Lori L and Resnick, Susan M and Zuo, Lianrui and Moyer, Daniel and others},
  booktitle={Medical Imaging 2025: Image Processing},
  volume={13406},
  pages={505--513},
  year={2025},
  organization={SPIE}
}

--- Tranlated By Open Ai Tx | Last indexed: 2026-01-20 ---