基于图卷积β变分自编码器的腹主动脉瘤合成生成及其在医学研究中的应用

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

本研究针对腹主动脉瘤(AAA)临床数据稀缺与患者隐私保护的双重挑战，提出了一种结合图卷积网络与β变分自编码器(GCN-β-VAE)的创新框架。通过小规模真实数据集提取关键解剖特征，在解缠结的潜空间中捕获复杂统计关系，采用基于Procrustes分析的低影响数据增强技术保持解剖完整性。与传统PCA方法相比，该模型在未见数据上表现出更强的非线性解剖变异捕捉能力，生成的合成AAA数据集为医疗器械测试、计算建模和临床统计分析提供了可扩展且隐私安全的解决方案。

　　

在临床实践中，合成数据通过维护患者隐私的同时实现大规模数据分析，正成为个性化医疗策略制定的关键工具。然而传统线性方法如主成分分析(PCA)在捕捉复杂解剖变异方面存在局限，而基于神经网络的变分自编码器(VAE)虽具有非线性建模优势，但需要解决潜空间解缠结和生成质量平衡的挑战。

针对腹主动脉瘤研究领域面临的数据稀缺问题，来自意大利格兰萨索科学研究所的研究团队在《Medical & Biological Engineering & Computing》发表了题为"Graph-Convolutional-Beta-VAE for synthetic abdominal aortic aneurysm generation"的研究论文。该研究开发了一种新型GCN-β-VAE框架，通过整合图卷积网络的几何感知能力和β-VAE的解缠结特性，实现了从有限患者数据中生成高质量合成AAA模型。

研究采用60例患者特异性三维AAA网格数据，这些数据源自术前CT扫描，通过专业软件PRAEVAorta进行血管树自动分割，并利用行进立方体算法生成平滑的表面网格。关键技术方法包括：1）谱图卷积采用切比雪夫多项式实现网格顶点特征学习；2）空间池化通过顶点对收缩算法实现多分辨率网格处理；3）ProcAug数据增强策略基于Procrustes对齐提取旋转和缩放参数；4）复合损失函数结合顶点坐标、Chamfer距离、法向量和边缘长度约束。

ProcAug性能评估

通过消融实验验证数据增强策略的有效性，结果显示ProcAug（结合旋转和缩放）使L₂重构误差降低8.46%-18.90%，根Chamfer距离(RCD)降低6.70%-15.78%。单独应用旋转或缩放也能改善性能，但联合使用产生协同效应。训练过程曲线表明ProcAug不仅加速收敛，还提高稳定性，尤其在高维潜空间中表现更平滑。

样本外重构能力

与PCA对比表明，GCN-β-VAE在L₂误差相近的情况下，Chamfer误差显著降低，证明其更好的形状保持能力。当潜维度从4增加到24时，重构百分比从88.19%提升至94.61%，但潜变量相关性随之增加（相关矩阵行列式从89.33降至0.92），反映了解缠结与重构精度之间的权衡。

潜空间分析与解缠结表示

增大β值（从1.0×10^-3到8.5×10^-3）使潜变量分布更接近标准高斯，相关矩阵行列式从52.61提升至73.11，表明变量独立性增强。虽然重构百分比轻微下降（91.90%→91.48%），但仍优于PCA的91.19%，证明适度正则化有助于获得更具解释性的潜表示。

层次化潜模式贡献

通过模式排序算法评估各潜维度对重构的贡献。结果显示GCN-β-VAE的首个潜模式即达到0.41cm平均误差，而PCA为0.42cm；到第七模式时，VAE误差降至0.20cm，PCA仍高于0.3cm。增加β值使重构误差分布更紧凑，表明强正则化促进潜空间结构优化。

样本内生成实验

选择最优配置（β=8.5×10^-3, d=8）进行生成探索。高斯扰动外推通过控制噪声幅度S（0.25-0.75）产生合理解剖变异，如动脉瘤囊扩张和血管轴向伸长。潜空间插值在两组解剖结构间生成平滑过渡，证实潜表示连续性。生成的所有mesh均保持拓扑一致性和临床合理性。

研究结论表明，GCN-β-VAE框架通过解缠结的潜空间有效捕获AAA形态学复杂变异，生成具有临床意义的合成数据。其优势在于：1）超越线性方法的非线性建模能力；2）ProcAug增强策略提升泛化性能；3）层次化潜模式支持可控生成。虽然存在部分解缠结不完全和限于水密网格的局限，但为血管内动脉瘤修复(EVAR)术前规划、血流动力学模拟和体外临床试验提供了可靠工具。未来工作将扩展至可变拓扑建模、半监督学习整合和大规模外部验证，推动个性化医疗发展。