ADP-DiT：文本引导扩散 Transformer 用于阿尔茨海默病进展中的大脑图像生成

阿尔茨海默病 (AD) 在个体之间的进展存在异质性，因此需要对后续磁共振成像 (MRI) 进行特定受试者的合成，以支持进展评估。虽然 Diffusion Transformer (DiT) 是一种新兴的基于 Transformer 的扩散模型，为图像合成提供了可扩展的主干，但纵向 AD MRI 生成以及对随访时间和参与者元数据的临床可解释控制仍然尚未得到充分探索。我们提出了 ADP-DiT，一种用于纵向 AD MRI 合成的间隔感知、临床文本条件扩散 Transformer。 ADP-DiT 将随访间隔与多域人口统计、诊断 (CN/MCI/AD) 和神经心理学信息一起编码为自然语言提示，从而实现粗略诊断阶段之外的特定时间控制。为了有效地注入这种调节，我们使用双文本编码器 - OpenCLIP 进行视觉语言对齐，使用 T5 进行更丰富的临床语言理解。它们的嵌入通过细粒度指导的交叉注意力和全局调制的自适应层归一化融合到 DiT 中。我们通过将旋转位置嵌入应用于图像词元并在预先训练的 SDXL-VAE 潜在空间中执行扩散来进一步增强解剖保真度，以实现高效的高分辨率重建。在来自 712 名参与者的 3,321 次纵向 3T T1 加权扫描（259,038 个图像切片）中，ADP-DiT 实现了 SSIM 0.8739 和 PSNR 29.32 dB，比 DiT 基线提高了 +0.1087 SSIM 和 +6.08 dB PSNR，同时捕获了进展相关的变化，例如心室扩大和海马缩小。这些结果表明，将全面的、特定于主题的临床条件与架构相结合可以改善纵向 AD MRI 合成。