잠재 확산 및 사전 지식을 통한 시공간 질병 진행 모델 향상
레뮤엘 푸글리시, 다니엘 C. 알렉산더, 다니엘 라비
https://github.com/user-attachments/assets/28ad3693-5e3e-4f6e-9bbc-485424fbbee2
설치 • 학습 • CLI 애플리케이션 • 인용
뉴스
- 🎉 BrLP가 MICCAI 2025 미디어 최우수 논문상 준우승을 수상했습니다!
- 🎉 Vanderbilt 대학의 새 논문이 BLSA 데이터셋에서 저희 결과를 재현했습니다!
- 🆕 BrLP CLI 사용에 대한 간단 가이드가 공개되었습니다!
- 🎉 BrLP가 MICCAI 최우수 논문상 후보에 올랐으며 최종 후보에 선정되었습니다! (상위 <1%)
- 🎉 BrLP가 MICCAI 2024 구두 발표로 조기 선정되었습니다! (상위 4%)
목차
설치
저장소를 다운로드하고, 프로젝트 폴더로 cd 한 후 brlp 패키지를 설치하세요:
pip install -e .데이터 준비
데이터 준비 및 연구 재현성 문서를 확인하세요. 이 파일은 데이터를 조직하고 학습 파이프라인 실행에 필요한 CSV 파일을 만드는 방법을 안내합니다.
학습
BrLP 학습은 이후 섹션에서 설명할 3가지 주요 단계로 구성됩니다. 모든 학습(보조 모델 제외)은 다음과 같이 tensorboard를 사용해 모니터링할 수 있습니다:
tensorboard --logdir runsTrain the autoencoder
Follow the commands below to train the autoencoder.
# Create an output and a cache directory
mkdir ae_output ae_cacheRun the training script
python scripts/training/train_autoencoder.py \
--dataset_csv /path/to/A.csv \
--cache_dir ./ae_cache \
--output_dir ./ae_output그런 다음 MRI 데이터에서 잠재 변수를 추출하세요:
python scripts/prepare/extract_latents.py \
--dataset_csv /path/to/A.csv \
--aekl_ckpt ae_output/autoencoder-ep-XXX.pthXXX를 원하는 오토인코더 체크포인트로 교체하세요.
UNet 훈련하기
아래 명령어를 따라 diffusion UNet을 훈련하세요. XXX를 원하는 오토인코더 체크포인트로 교체하세요.
# Create an output and a cache directory:
mkdir unet_output unet_cacheRun 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.pthControlNet 훈련하기
아래 명령어를 따라 ControlNet을 훈련하세요. XXX를 원하는 오토인코더 및 UNet 체크포인트로 교체하세요.
# Create an output and a cache directory:
mkdir cnet_output cnet_cacheRun 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.pth보조 모델
아래 명령어를 따라 DCM 보조 모델을 학습하세요.
# Create an output directory
mkdir aux_outputRun the training script
python scripts/training/train_aux.py \
--dataset_csv /path/to/A.csv \
--output_path aux_output추론
우리 패키지에는 BrLP를 추론에 사용할 수 있는 brlp 명령어가 포함되어 있습니다. 확인:
brlp --help--input 매개변수는 피험자에 대한 모든 사용 가능한 데이터를 나열한 CSV 파일이 필요합니다. 예시는 examples/input.example.csv를 참조하세요. 입력 스캔을 분할하지 않은 경우, brlp는 SynthSeg를 사용하여 이 작업을 수행할 수 있지만, FreeSurfer 버전 7.4 이상이 설치되어 있어야 합니다. --confs 매개변수는 모델 경로 및 LAS $m$과 같은 기타 추론 매개변수를 지정합니다. 예시는 examples/confs.example.yaml을 참조하세요. 프로그램 실행 예시는 다음과 같습니다:
사전 학습된 모델
BrLP용 사전 학습된 모델을 다운로드하세요:
| 모델 | 가중치 URL | | ---------------------- | ------------------------------------------------------------ | | 오토인코더 | 링크 | | 확산 모델 UNet | 링크 | | ControlNet | 링크 | | 보조 모델 (DCM) | 링크 |
감사의 글
연구 과정을 가속화하는 데 기여한 오픈 소스 라이브러리 유지 관리자들에게 감사드리며, 특히 MONAI와 그 GenerativeModels 확장에 특별한 감사를 표합니다.
인용 방법
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}
}@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}
}SPIE 의료 영상 2025 논문집:
@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 ---