Latente Diffusie Autoencoders: Op Weg naar Efficiënt en Betekenisvol Onbewaakt Representatieleren in Medische Beeldvorming

Latent Diffusion Autoencoders: Toward Efficient and Meaningful Unsupervised Representation Learning in Medical Imaging

April 11, 2025

Auteurs: Gabriele Lozupone, Alessandro Bria, Francesco Fontanella, Frederick J. A. Meijer, Claudio De Stefano, Henkjan Huisman

cs.AI

Samenvatting

Dit onderzoek presenteert de Latent Diffusion Autoencoder (LDAE), een nieuw encoder-decoder raamwerk gebaseerd op diffusie voor efficiënt en betekenisvol ongesuperviseerd leren in medische beeldvorming, met een focus op de ziekte van Alzheimer (AD) waarbij hersen-MR van de ADNI-database als casestudy wordt gebruikt. In tegenstelling tot conventionele diffusie-autoencoders die in de beeldruimte werken, past LDAE het diffusieproces toe in een gecomprimeerde latente representatie, wat de computationele efficiëntie verbetert en het leren van representaties voor 3D-medische beeldvorming hanteerbaar maakt. Om de voorgestelde aanpak te valideren, onderzoeken we twee belangrijke hypothesen: (i) LDAE vangt effectief betekenisvolle semantische representaties op van 3D-hersen-MR die geassocieerd zijn met AD en veroudering, en (ii) LDAE bereikt hoogwaardige beeldgeneratie en -reconstructie terwijl het computationeel efficiënt blijft. Experimentele resultaten ondersteunen beide hypothesen: (i) lineaire-probe-evaluaties tonen veelbelovende diagnostische prestaties voor AD (ROC-AUC: 90%, ACC: 84%) en leeftijdsvoorspelling (MAE: 4,1 jaar, RMSE: 5,2 jaar); (ii) de geleerde semantische representaties maken attribuutmanipulatie mogelijk, wat anatomisch plausibele modificaties oplevert; (iii) semantische interpolatie-experimenten tonen een sterke reconstructie van ontbrekende scans, met een SSIM van 0,969 (MSE: 0,0019) voor een gat van 6 maanden. Zelfs voor langere gaten (24 maanden) behoudt het model robuuste prestaties (SSIM > 0,93, MSE < 0,004), wat wijst op een vermogen om temporele progressietrends vast te leggen; (iv) in vergelijking met conventionele diffusie-autoencoders verhoogt LDAE de inferentie-doorvoer aanzienlijk (20x sneller) terwijl ook de reconstructiekwaliteit wordt verbeterd. Deze bevindingen positioneren LDAE als een veelbelovend raamwerk voor schaalbare toepassingen in medische beeldvorming, met het potentieel om als een fundamenteel model te dienen voor medische beeldanalyse. Code beschikbaar op https://github.com/GabrieleLozupone/LDAE.

English

This study presents Latent Diffusion Autoencoder (LDAE), a novel encoder-decoder diffusion-based framework for efficient and meaningful unsupervised learning in medical imaging, focusing on Alzheimer disease (AD) using brain MR from the ADNI database as a case study. Unlike conventional diffusion autoencoders operating in image space, LDAE applies the diffusion process in a compressed latent representation, improving computational efficiency and making 3D medical imaging representation learning tractable. To validate the proposed approach, we explore two key hypotheses: (i) LDAE effectively captures meaningful semantic representations on 3D brain MR associated with AD and ageing, and (ii) LDAE achieves high-quality image generation and reconstruction while being computationally efficient. Experimental results support both hypotheses: (i) linear-probe evaluations demonstrate promising diagnostic performance for AD (ROC-AUC: 90%, ACC: 84%) and age prediction (MAE: 4.1 years, RMSE: 5.2 years); (ii) the learned semantic representations enable attribute manipulation, yielding anatomically plausible modifications; (iii) semantic interpolation experiments show strong reconstruction of missing scans, with SSIM of 0.969 (MSE: 0.0019) for a 6-month gap. Even for longer gaps (24 months), the model maintains robust performance (SSIM > 0.93, MSE < 0.004), indicating an ability to capture temporal progression trends; (iv) compared to conventional diffusion autoencoders, LDAE significantly increases inference throughput (20x faster) while also enhancing reconstruction quality. These findings position LDAE as a promising framework for scalable medical imaging applications, with the potential to serve as a foundation model for medical image analysis. Code available at https://github.com/GabrieleLozupone/LDAE