Representation Learning aus strukturellen MRT-Daten zur Charakterisierung von Hirnalterung und Alzheimer-Progression

In dieser Projektlinie entwickeln wir Deep-Learning-basierte Verfahren des Representation Learnings, um niedrigdimensionale, biologisch interpretierbare Repräsentationen aus hochdimensionalen strukturellen MRT-Daten zu lernen. Der Fokus liegt auf generativen Modellen, insbesondere Variational Autoencoders (VAEs), die latente Einbettungen (latent space embeddings) morphometrischer Muster von kortikaler Atrophie, subkortikaler Volumenveränderung und vaskulären Läsionen wie White Matter Hyperintensities erfassen.

Große Stichproben aus multizentrischen Kohorten werden genutzt, um robuste und generalisierbare neuronale Netzwerke zu trainieren, die die zugrunde liegende Struktur interindividueller neuroanatomischer Variabilität modellieren. Im Gegensatz zu rein prädiktiven Modellen zielt dieser Ansatz darauf ab, kontinuierliche, datengetriebene Repräsentationen zu lernen, die Alterung, vaskuläre Hirnveränderungen und neurodegenerative Prozesse in einem gemeinsamen latenten Raum abbilden.

Die gelernten Embeddings werden anschließend zur Charakterisierung von Hirnalterung, zur Modellierung individueller Abweichungen von altersnormativen Trajektorien sowie zur Einbettung von Alzheimer-typischer Progression entlang kontinuierlicher Dimensionen genutzt. Ziel ist es, latente Repräsentationen als flexible Zwischenebene zwischen Rohbilddaten, biologischen Prozessen und klinischen Phänotypen zu etablieren und damit neue Möglichkeiten für integrative Krankheitsmodelle, Subtypisierung und longitudinale Progressionsanalysen zu eröffnen.

Representation learning from structural MRI data to characterize brain aging and Alzheimer's progression

In this project line, we develop deep learning-based representation learning methods to learn low-dimensional, biologically interpretable representations from high-dimensional structural MRI data. The focus is on generative models, in particular variational autoencoders (VAEs), that capture latent space embeddings of morphometric patterns of cortical atrophy, subcortical volume change and vascular lesions such as white matter hyperintensities.

Large samples from multicenter cohorts are used to train robust and generalizable neural networks that model the underlying structure of interindividual neuroanatomical variability. In contrast to purely predictive models, this approach aims to learn continuous, data-driven representations that map aging, vascular brain changes and neurodegenerative processes in a common latent space.

The learned embeddings are then used to characterize brain aging, to model individual deviations from age-normative trajectories, and to embed Alzheimer's-type progression along continuous dimensions. The aim is to establish latent representations as a flexible intermediate level between raw image data, biological processes and clinical phenotypes, thus opening up new possibilities for integrative disease models, subtyping and longitudinal progression analyses.
This text was translated with DeepL on 05/02/2026