Time Series Generative Learning with Application to Brain Imaging Analysis
时间序列生成学习及脑影像分析应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究序列生成的时间依赖，并将生成机制扩展到包含多个样本的面板数据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
时间序列生成学习及脑影像分析应用
- 研究问题
- 如何根据既往序列影像生成未来脑影像，使生成序列的联合分布接近潜在真实分布，并进一步适用于多个个体的序列及下游疾病检测？
- 方法与思路
- 作者基于相邻观测对的 f 散度构造极小极大问题，用深度神经网络学习由滞后 k 期观测及随机向量生成未来影像的机制，并扩展至面板情形。
- 材料陈述的贡献
- 摘要称，在马尔可夫与条件不变性条件下，生成序列联合分布收敛于潜在真实分布；作者用 ADNI 脑 MRI 序列评估机制，并提出数据增强用途。
- 阅读关注点
- 应核对相邻对散度如何约束整段序列分布、马尔可夫与条件不变性的定义，以及面板扩展如何处理个体；还需检查生成质量和下游评价设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未给出收敛速率及完整条件，也未报告疾病检测增益数值，不能据此确认临床有效性。
原文摘要
This paper focuses on the analysis of sequential image data, particularly brain imaging data such as MRI, fMRI, CT, with the motivation of understanding the brain aging process and neurodegenerative diseases. To achieve this goal, we investigate image generation in a time series context. Specifically, we formulate a min-max problem derived from the $f$-divergence between neighboring pairs to learn a time series generator in a nonparametric manner. The generator enables us to generate future images by transforming prior lag-k observations and a random vector from a reference distribution. With a deep neural network learned generator, we prove that the joint distribution of the generated sequence converges to the latent truth under a Markov and a conditional invariance condition. Furthermore, we extend our generation mechanism to a panel data scenario to accommodate multiple samples. The effectiveness of our mechanism is evaluated by generating real brain MRI sequences from the Alzheimer's Disease Neuroimaging Initiative. These generated image sequences can be used as data augmentation to enhance the performance of further downstream tasks, such as Alzheimer's disease detection.