基于扩散的多域神经成像协调方法,保留了解剖细节
Haoyu Lan1, Bino A Varghese2, Nasim Sheikh-Bahaei2
1Laboratory of Neuro Imaging, USC Mark and Mary Stevens Neuroimaging and Informatics Institute, USC Keck School of Medicine, University of Southern California, Los Angeles, CA, USA.
NeuroImage
|May 28, 2025
概括
这项研究引入了神经成像协调的扩散模型,有效地减少MRI扫描中的批量效应. 扩散模型比生成对抗网络 (GAN) 更好地保存解剖细节,提高了多中心研究的数据可靠性.
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:
- 多中心神经成像研究面临的挑战是由于批量差异的技术变化,影响数据聚合和可靠性.
- 现有的协调方法,如生成对抗网络 (GAN),可以引入文物或解剖学扭曲.
研究的目的:
- 评估消除噪声扩散的有效性,用于神经成像协调的概率模型.
- 通过使用单一模型,展示一种优越的方法来协调跨多个领域的图像.
主要方法:
- 用了一种无声扩散概率模型来实现神经成像协调.
- 开发了一种结合学习领域不变解剖条件的方法,以保持解剖学,同时区分批量效应.
- 在来自ADNI1和ABIDE II数据集的T1加权MRI图像上测试了模型.
主要成果:
- 与基于GAN的方法相比,扩散模型取得了优异的协调结果,由一致的解剖学保存和更好的Fréchet初始距离 (FID) 得分证明.
- 演示了该模型在单个模型中协调多个领域的图像的能力.
- 在协调后的周血管空间细分和体积分析中表现出更好的一致性.
结论:
- 否认扩散概率模型为神经成像协调提供了一个有希望的方法,在解剖细节保护和跨领域协调方面表现优于GAN.
- 提出的方法有效地减少了多中心研究中的技术变化,提高了神经成像数据分析的可靠性.


