Il progetto CoCoLIT rappresenta una svolta nell’ambito della diagnostica precoce dell’Alzheimer: nasce dall’esigenza di superare i limiti delle scansioni PET – costose e poco accessibili – offrendo una soluzione innovativa ed economica basata esclusivamente su immagini MRI. L’idea fondante è che, pur non rivelando direttamente la patologia amiloide, la MRI contenga pattern strutturali correlati alla presenza di amiloide, che possono essere estratti e resi evidenti con tecniche AI avanzate.
Motivazioni & Obiettivi:
- Ridurre i costi e aumentare l’accessibilità degli screening per Alzheimer grazie alla sintesi di immagini PET virtuali da MRI;
- Permettere un’aggressiva identificazione precoce dei pazienti a rischio, anche su larga scala;
- Offrire nuove opportunità per studi clinici e ricerca traslazionale.
Metodi:
- Modello generativo di diffusione latente con condizionamento ControlNet per traduzione MRI-PET;
- Introdotta la Weighted Image Space Loss (WISL) per raffinare la qualità delle immagini sintetiche;
- Analisi innovativa della Latent Average Stabilization (LAS) per migliorare la coerenza in fase di inferenza;
- Validazione su ampi dataset pubblici;
Impatto:
- Incrementi fino a +23,7% in accuratezza nella classificazione di positività amiloide rispetto ai migliori metodi esistenti;
- Rilascio open-source di codice e modelli a beneficio della comunità scientifica;
- Potenziamento della ricerca riproducibile e dell’adozione clinica di tecniche AI avanzate.
Articoli Scientifici Correlati
- CoCoLIT: ControlNet-Conditioned Latent Image Translation for MRI to Amyloid PET Synthesis
arXiv preprint arXiv:2508.01292 (2025) – Google Scholar
Codice Repository
- Repository ufficiale: brAIn-science/CoCoLIT
Codice principale:src/cocolit/cli/mri2pet.pyEsplora la cartella CLI.
Documentazione: docs/
Team & Autori
- Daniele Ravì (Project lead, senior author)
- Lemuel Puglisi (Co-primo autore, sviluppo e implementazione)
- Alec Sargood (Co-primo autore)
…con la collaborazione di James H. Cole, Neil P. Oxtoby, Daniel C. Alexander.
Risultati & Applicazione
- Test su dataset reali di Alzheimer: CoCoLIT supera tutti i precedenti metodi in accuratezza di image synthesis e classificazione amiloide.
- SIGNIFICATIVO: +10,5% di accuratezza bilanciata su dataset interno, +23,7% su dataset esterno.
- Codice disponibile per la comunità per garantire piena trasparenza e riproducibilità.
