通过潜在扩散和先验知识提升时空疾病进展模型

Lemuel Puglisi, Daniel C. Alexander, Daniele Ravì

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

安装 • 训练 • 命令行应用 • 引用

新闻

• 🎉 BrLP 荣获 MICCAI 2025 媒体最佳论文奖亚军！

🎉 我们的扩展论文已被《医学图像分析》（影响因子=11.8*）接受发表

• 🎉 范德堡大学的一篇新论文在BLSA数据集上复现了我们的结果！
• 🆕 BrLP 命令行工具的简明指南已发布！
• 🎉 BrLP 入围并进入 MICCAI 最佳论文奖决选名单！（前 <1%）
• 🎉 BrLP 已被提前接收并入选于 MICCAI 2024的口头报告！（前 4%）

目录

• 安装
• 数据准备
• 训练
• 预训练模型
• 致谢
• 引用我们的工作

安装

下载仓库，进入项目文件夹(cd)，并安装 brlp 包：

pip install -e .

我们建议使用独立环境（参见 Anaconda）。代码已在 python 3.9 下测试，但我们预计也能在更新版本中运行。

数据准备

请查看我们的文档 数据准备与研究可重复性。该文件将指导您如何组织数据并创建运行训练流程所需的 CSV 文件。

训练

BrLP 训练分为三个主要阶段，后续章节将详细描述。每次训练（辅助模型除外）均可通过 tensorboard 进行监控，方法如下：

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

然后从您的MRI数据中提取潜变量：

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

将 XXX 替换为您选择的自动编码器检查点。

训练 UNet

按照以下命令训练扩散 UNet。将 XXX 替换为您选择的自动编码器检查点。

# 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

训练 ControlNet

按照以下命令训练 ControlNet。将 XXX 替换为您选择的自动编码器和 UNet 检查点。

# 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

辅助模型

按照以下命令训练 DCM 辅助模型。

# 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

我们强调，任何能够预测体积随时间变化的疾病进展模型也可以作为 BrLP 的辅助模型。

推断

我们的软件包附带一个 brlp 命令，用于使用 BrLP 进行推断。请查看：

brlp --help

--input 参数需要一个 CSV 文件，列出所有受试者的可用数据。示例请查看 examples/input.example.csv。如果你还没有对输入扫描进行分割，brlp 可以使用 SynthSeg 为你执行此任务，但这要求安装 FreeSurfer >= 7.4。--confs 参数指定模型路径及其他推理参数，例如 LAS $m$。示例请查看 examples/confs.example.yaml。

程序运行示例如下：

预训练模型

下载 BrLP 的预训练模型：

| 模型 | 权重链接 | | ---------------------- | ------------------------------------------------------------ | | 自编码器 | 链接 | | 扩散模型 UNet | 链接 | | ControlNet | 链接 | | 辅助模型 (DCM) | 链接 |

致谢

感谢开源库维护者们为加速研究进程所做的贡献，特别感谢 MONAI 及其 GenerativeModels 扩展。

引用

医学图像分析：

@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}
}

MICCAI 2024 会议论文集：

@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 医学成像 2025 会议论文集：

@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 ---