风格转移生成对抗网络将多站点MRI协调到单个参考图像中,以避免过度校正

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学图像分析 医学图像分析

背景情况:

• 多站点神经成像研究需要协调通过不同的扫描仪和协议获得的磁共振 (MR) 图像.
• 现有的追溯协调方法可能会过度纠正技术变化,将其与人口变化混为一谈.
• 当前的统计方法往往需要跨数据集的类似的人口或临床数据来隔离基于获取的变异性.

研究的目的:

• 开发一种新的方法来协调多站点MR图像,将其视为一种风格转移问题.
• 克服现有方法的局限性,这些方法无法区分技术变化和人口变化.
• 通过提高跨多种数据集的数据一致性,实现高功率的神经成像分析.

主要方法:

• 使用基于生成对抗网络 (GAN) 的完全无监督的深度学习框架.
• 该模型通过编码和插入来自参考图像的风格信息来协调MR图像,独立于站点/扫描仪标签.
• 该模型使用来自五个大型多站点数据集的数据进行训练,这些数据集具有各种各样的人口统计学特征.

主要成果:

• 风格编码GAN模型成功地协调了MR图像,并与强度配置文件相匹配,而不依赖于旅行主题或站点标签.
• 该方法有效地消除了与位置相关的差异,同时保留了关键的解剖信息和临床上有意义的模式.
• 协调改善了提取的特征,大脑年龄估计和病例对照效应大小,证明了其临床实用性.
• 该模型一般化到未见的扫描仪和协议,当训练在不同的数据集.

结论:

• 提出的风格转移方法为多站点神经成像研究中的MR图像协调提供了有效的解决方案.
• 这种方法提高了数据的一致性和可比性,促进了对精神病和神经疾病的更强大的分析.
• 无监督的,无标签的框架为协作研究提供了一个有前途的工具,克服了常见的数据异质性挑战.