协调流:利用正常化流来进行无监督和无源的MRI协调

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 磁共振 (MR) 图像采集由于缺乏标准化和不同地点和设备的不同参数而表现出异质性.
• 这种图像异质性会对医学图像分析中深度神经网络 (DNN) 的概括能力产生负面影响.
• 现有的协调方法往往需要源域数据或是特定任务,限制了它们的适用性.

研究的目的:

• 为磁共振 (MR) 图像提出一个新的无监督和无源协调框架.
• 将异质的MR图像与一个共同的分布对齐,从而增强深度神经网络的泛化.
• 证明拟议框架在不同任务和人口统计学方面具有通用性.

主要方法:

• 一个规范化流网络被训练以捕捉目标源域的分布特征.
• 一个浅层协调器网络被训练来从增强对应器中重建源域图像.
• 在推断过程中,协调器更新以确保输出图像符合由规范流网络建模的学习源域分布.

主要成果:

• 拟议的无监督协调框架成功地将MR图像与所需的源域分布对齐.
• 该方法在成人和新生儿的跨域大脑MRI细分方面表现出卓越的性能.
• 在新生儿大脑年龄估计中的有效应用凸显了其在各种任务和人口统计学方面的概括性.

结论:

• 新的无监督,无源,无任务协调框架有效地解决了MR图像异质性.
• 基于规范化流的方法显著改善了用于医疗图像分析任务的深度神经网络的泛化.
• 这种方法提供了一个强大的解决方案,以提高AI模型在各种临床环境中的可靠性和适用性.