摘要
Tau PET成像在追踪阿尔茨海默病进展中至关重要，但不同扫描仪、协议和放射性示踪剂之间的系统性差异引入了非生物变异性，增加了生物标志物方差，降低了对疾病影响的敏感性，并可能偏倚后续临床评估。调和方法旨在消除这些场地引起的偏移，同时保留具有生物学意义的信号，但现有方法在源和目标队列的亚组组成不同的情况下表现不佳，容易将场地效应与生物变异（如tau阳性状态）混淆。
我们提出了Feynman Kac重加权薛定谔桥匹配（FKRSBM）模型来解决这一问题。与基于扩散的方法通过高斯噪声先验来传递数据不同，FKRSBM通过熵正则化的最优传输学习源分布与目标分布之间的直接随机运输过程。为了强制执行生物学一致的传输，FKRSBM结合了来自Feynman Kac重加权的参考桥测度的亚组感知端点提议，完全通过分层重要性抽样在数据层面实施，并且不需要对底层桥匹配求解器或网络架构进行任何更改。
在基于表面的神经成像中，FKRSBM采用在皮层网格上操作的球面卷积骨干网络进行顶点级调和。我们在tau PET SUVR图上评估该方法，将HABS-HD队列中的PI-2620数据调和到ADNI的AV-1451领域。与ComBat、CycleGAN、扩散基方法（DF）和未正则化的扩散薛定谔桥匹配（DSBM）相比，FKRSBM实现了更优的分布对齐、降低的tau阳性信号不匹配、增强的APOE亚组对齐以及改进的后续疾病分类性能。
博主点评： FKRSBM模型通过引入重加权机制和熵正则化的最优传输，显著提升了Tau PET成像的调和效果。这一创新方法不仅解决了现有技术的局限性，还为阿尔茨海默病的临床评估提供了更为精准的工具，展现了计算机科学在医学影像领域的深远影响。