结构性MRI协调通过解的潜能基于风格翻译
Mengqi Wu1,2, Lintao Zhang1, Pew-Thian Yap1
1Department of Radiology and Biomedical Research Imaging Center, University of North Carolina at Chapel Hill, Chapel Hill, NC 27599, USA.
Machine learning in medical imaging. MLMI (Workshop)
|February 23, 2024
概括
这项研究引入了一种新的方法,即脱的潜能基于风格翻译 (DLEST),以协调多站点大脑MRI数据. DLEST有效地消除了特定地点的变化,提高了图像质量和研究的概括性.
科学领域:
- 医疗成像医学成像
- 神经成像是一种神经成像.
- 机器学习 机器学习
背景情况:
- 多部位脑磁共振成像 (MRI) 数据易受不同扫描站点的非生物变异的影响.
- 现有的协调方法,通常是生成对抗网络 (GAN),是计算密集的,缺乏通用性.
- 这些变异可能会混临床和研究结果.
研究的目的:
- 为结构性MRI数据提出一个新的图像级协调框架.
- 开发一种在计算上高效的方法,并且能够很好地对独立数据进行概括.
- 为了应对多地点神经成像研究中位置效应的挑战.
主要方法:
- 引入了一个不纠的基于潜能的风格翻译 (DLEST) 框架.
- 使用隐藏的自动编码器来编码图像和生成模型.
- 整合了一个基于能量的模型,用于隐性样式在潜空间中的翻译.
- 在三个任务中对4,092个T1加权的MRI进行了模型训练.
主要成果:
- DLEST有效地将网站不变的图像生成与网站特定的风格翻译分开.
- 该方法在组图比较,部位分类和大脑组织细分任务中表现出卓越的性能.
- 定性和定量评估表明DLEST的性能优于现有的最先进的协调技术.
- 通过潜在空间实现了高度可通用的图像生成和高效的风格翻译.
结论:
- DLEST提供了一种有效和高效的解决方案,用于协调多个位置的大脑MRI数据.
- 拟议的框架提高了用于研究的神经成像数据的可靠性和通用性.
- 在大规模的MRI研究中,DLEST在解决部位效应方面取得了有前途的进展.
