HypTI：双曲几何多模态融合框架用于痴呆检测
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文提出 HypTI，把临床表格评估与 MRI 影像的融合放到双曲空间完成，而非通常的欧氏空间。方法上，表格变量用可学习的 Lorentz 原型表示，以刻画评估项之间的层级关系；MRI 用 ROI 引导的多尺度表示学习，在 Lorentz 空间中编码跨脑区、跨空间尺度的解剖模式；再由自适应融合模块生成受试者专属的尺度与偏移系数，动态调制并整合两类嵌入。在 OASIS-3 数据集上的实验显示，该框架相较代表性方法取得较强表现。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载为何转向双曲空间
论文指出，AI 辅助痴呆检测通常需要融合临床表格评估与神经影像等多类数据，但现有做法大多在欧氏空间中完成特征融合。作者认为这忽略了表示本身的几何结构：临床评估存在层级组织，神经影像存在多尺度的解剖模式。已有研究证明，双曲空间因具备指数级扩张特性，适合建模层级与多尺度结构。HypTI 正是基于这一判断，把双曲表示学习扩展到表格与 MRI 结合的较少被探索的场景，在双曲空间中同时建模临床表格、MRI 扫描以及跨模态交互。
两类模态的编码方式
在具体实现上，临床表格变量由可学习的 Lorentz 原型表示，用来捕捉各项评估之间的层级关系；MRI 扫描则通过 ROI 引导的多尺度表示学习进行编码，在 Lorentz 空间中刻画跨脑区、跨空间尺度的解剖模式。这样，两类异构数据被映射到同一双曲几何框架下，而不是各自在欧氏空间中编码后再拼接。
自适应融合与实验表现
多模态表示随后进入自适应融合模块，该模块生成受试者专属的尺度与偏移系数，对多模态嵌入进行动态调制与整合，从而完成患者级的表格-影像表示学习，用于痴呆检测。论文在 OASIS-3 数据集上开展实验，结果显示该框架与代表性方法相比取得较强表现。摘要未给出具体指标数值，也未说明代码或数据的开放情况。
为什么值得看
把双曲几何引入表格与影像的多模态融合，为痴呆检测这类层级、多尺度数据提供了新建模思路。
多模态论文数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。