开发驱动的扩散模型用于长度预测胎儿大脑MRI与未配对的数据

科学领域:

• 神经成像是一种神经成像.
• 发展生物学 发展生物学
• 医疗人工智能 医疗人工智能

背景情况:

• 纵向磁共振成像 (MRI) 对于随着时间的推移跟踪大脑发育至关重要.
• 现有的胎儿大脑MRI研究由于单扫描临床实践而受到不足的纵向数据的限制.
• 临床胎儿MRI数据集缺乏在相邻的妊娠周之间进行纵向分析所需的配对数据.

研究的目的:

• 为了解决长度胎儿大脑MRI数据的稀缺问题.
• 在单个受试者中生成两个相邻的妊娠周 (GW) 的合成MRI数据.
• 为了弥合研究胎儿大脑发育的数据差距,在连续的GW中.

主要方法:

• 提出了一种新的发育驱动的扩散模型 (DDM) 用于胎儿MRI预测.
• 在所有GW中训练了一种条件扩散模型,使用了人口水平的发育数据.
• 在使用感知特征指导模块的推断过程中,纳入了个体主体发展信息.

主要成果:

• DDM成功生成了3DMR图像,捕捉了一般的发育特征和个体特征.
• 来自三个医疗中心的大规模临床数据集的实验验验证了该模型的有效性.
• 该方法有效地生成了胎儿大脑的纵向MRI图像,克服了数据异质性和缺少配对数据.

结论:

• 发育驱动的扩散模型 (DDM) 是产生纵向胎儿大脑MRI数据的有效方法.
• 这种方法克服了胎儿MRI预测的重大挑战,包括数据异质性和缺乏配对训练数据.
• 通过使用临床MRI数据,DDM为增强胎儿大脑发育的纵向研究提供了可行的解决方案.