MT-GNN：用图网络和度量张量嵌入预测连续时间脑形态演化

根据少量既往扫描预测皮层下结构的形状将如何演变，有望为预后判断和临床试验富集提供支持。现有的纵向网格预测方法要么通过高维嵌入外推形状轨迹，要么直接回归顶点形变。与之不同，我们在连续时间域中预测表面的内在几何：针对每种结构，仅使用一个图网络，便可基于任意因果多次随访历史和任意预测时距，预测未来逐顶点的第一基本形式（度量张量），并以预测提前时间的傅里叶编码为条件。预测得到的度量通过可微分的“尽可能刚性”（As-Rigid-As-Possible）求解器解码为表面，模型则基于刚性对齐后的顶点误差进行端到端训练。通过重建过程进行训练，可确保解码后的预测结果为有效表面，并能稳定提升预测性能。在 ADNI 数据集的 14 种皮层下结构上，所提出的网格演化模型（MT-GNN）在每个预测时距上均优于所有受评估方法（相较于时间均值方法，平均顶点误差降低 $2.29%$，$p{=}6.1{\times}10^{-5}$，并在 14/14 种结构上均胜出），领先于测地线形状回归方法（DCM，降低 $0.19%$）和网格 Transformer（TransforMesh，降低 $0.45%$；$p{=}1.2{\times}10^{-4}$），且其领先优势随预测时距增大而进一步扩大。