基于圖卷積β變分自編碼器的腹主動脈瘤合成生成及其在醫學研究中的應用

《Medical & Biological Engineering & Computing》：Graph-Convolutional-Beta-VAE for synthetic abdominal aortic aneurysm generation

【字體： 大 中 小 】 時間：2025年12月05日 來源：Medical & Biological Engineering & Computing 2.6

　　

在臨床實踐中，合成數據通過維護患者隱私的同時實現大規模數據分析，正成為個性化醫療策略制定的關鍵工具。然而傳統線性方法如主成分分析(PCA)在捕捉復雜解剖變異方面存在局限，而基于神經網絡的變分自編碼器(VAE)雖具有非線性建模優勢，但需要解決潛空間解纏結和生成質量平衡的挑戰。

針對腹主動脈瘤研究領域面臨的數據稀缺問題，來自意大利格蘭薩索科學研究所的研究團隊在《Medical & Biological Engineering & Computing》發表了題為"Graph-Convolutional-Beta-VAE for synthetic abdominal aortic aneurysm generation"的研究論文。該研究開發了一種新型GCN-β-VAE框架，通過整合圖卷積網絡的幾何感知能力和β-VAE的解纏結特性，實現了從有限患者數據中生成高質量合成AAA模型。

研究采用60例患者特異性三維AAA網格數據，這些數據源自術前CT掃描，通過專業軟件PRAEVAorta進行血管樹自動分割，并利用行進立方體算法生成平滑的表面網格。關鍵技術方法包括：1）譜圖卷積采用切比雪夫多項式實現網格頂點特征學習；2）空間池化通過頂點對收縮算法實現多分辨率網格處理；3）ProcAug數據增強策略基于Procrustes對齊提取旋轉和縮放參數；4）復合損失函數結合頂點坐標、Chamfer距離、法向量和邊緣長度約束。

ProcAug性能評估

通過消融實驗驗證數據增強策略的有效性，結果顯示ProcAug（結合旋轉和縮放）使L₂重構誤差降低8.46%-18.90%，根Chamfer距離(RCD)降低6.70%-15.78%。單獨應用旋轉或縮放也能改善性能，但聯合使用產生協同效應。訓練過程曲線表明ProcAug不僅加速收斂，還提高穩定性，尤其在高維潛空間中表現更平滑。

樣本外重構能力

與PCA對比表明，GCN-β-VAE在L₂誤差相近的情況下，Chamfer誤差顯著降低，證明其更好的形狀保持能力。當潛維度從4增加到24時，重構百分比從88.19%提升至94.61%，但潛變量相關性隨之增加（相關矩陣行列式從89.33降至0.92），反映了解纏結與重構精度之間的權衡。

潛空間分析與解纏結表示

增大β值（從1.0×10^-3到8.5×10^-3）使潛變量分布更接近標準高斯，相關矩陣行列式從52.61提升至73.11，表明變量獨立性增強。雖然重構百分比輕微下降（91.90%→91.48%），但仍優于PCA的91.19%，證明適度正則化有助于獲得更具解釋性的潛表示。

層次化潛模式貢獻

通過模式排序算法評估各潛維度對重構的貢獻。結果顯示GCN-β-VAE的首個潛模式即達到0.41cm平均誤差，而PCA為0.42cm；到第七模式時，VAE誤差降至0.20cm，PCA仍高于0.3cm。增加β值使重構誤差分布更緊湊，表明強正則化促進潛空間結構優化。

樣本內生成實驗

選擇最優配置（β=8.5×10^-3, d=8）進行生成探索。高斯擾動外推通過控制噪聲幅度S（0.25-0.75）產生合理解剖變異，如動脈瘤囊擴張和血管軸向伸長。潛空間插值在兩組解剖結構間生成平滑過渡，證實潛表示連續性。生成的所有mesh均保持拓撲一致性和臨床合理性。

研究結論表明，GCN-β-VAE框架通過解纏結的潛空間有效捕獲AAA形態學復雜變異，生成具有臨床意義的合成數據。其優勢在于：1）超越線性方法的非線性建模能力；2）ProcAug增強策略提升泛化性能；3）層次化潛模式支持可控生成。雖然存在部分解纏結不完全和限于水密網格的局限，但為血管內動脈瘤修復(EVAR)術前規劃、血流動力學模擬和體外臨床試驗提供了可靠工具。未來工作將擴展至可變拓撲建模、半監督學習整合和大規模外部驗證，推動個性化醫療發展。