使用可逆GANs从T1加权图像生成扩散MRI标量图
Tamoghna Chattopadhyay1, Gautam Mehendale1, Sophia I Thomopoulos1
1Imaging Genetics Center, Mark and Mary Stevens Neuroimaging and Informatics Institute, Keck School of Medicine, University of Southern California, Marina del Rey, CA, United States.
bioRxiv : the preprint server for biology
|September 15, 2025
概括
这项研究引入了一种使用可逆生成对抗网络 (RevGAN) 创建合成扩散张力成像 (DTI) 的新方法,从T1加权的MRI扫描中创建平均扩散率 (MD) 地图. 这些合成DTI地图显示了神经成像数据增强和分析的潜力.
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
背景情况:
- 扩散张力成像 (DTI) 提供了对大脑组织微观结构的关键见解,但需要耗时的数据采集.
- 数据稀缺性和可访问性挑战限制了DTI在临床和研究环境中的广泛使用.
- 目前用于从结构性MRI中获得扩散测量的管道通常是多步骤和复杂的.
研究的目的:
- 研究从结构性T1加权脑MRI生成合成DTI标量图,特别是平均扩散度 (MD).
- 评估这些合成DTI地图在下游分类任务中的质量和实用性.
- 评估可逆生成对抗网络 (RevGAN) 对单步T1到DTI翻译的潜力.
主要方法:
- 使用可逆生成对抗网络 (RevGAN) 来从T1加权的MRI直接转换为合成DTI MD地图.
- 评估合成地图在两个分类任务中的实用性:性别分类和阿尔茨海默病分类.
- 在真实DTI地图上训练的机器学习模型的性能与RevGAN生成的合成DTI地图进行了比较.
- 评估了在合成数据上训练的模型对独立印度队列 (NIMHANS) 的概括能力.
主要成果:
- RevGAN成功地从T1权重的MRI中生成了合成DTI MD地图.
- 与在真实DTI地图上训练的模型相比,在合成DTI地图上训练的模型在性别和阿尔茨海默氏病分类方面取得了竞争力的准确性.
- 合成的DTI地图保留了下游分析相关的有意义的微观结构信息.
- 模型证明了对来自不同人口的外部数据集的良好概括性.
结论:
- RevGAN提供了一种有前途的方法来生成合成DTI标量图,减轻神经成像中的数据稀缺性.
- 合成DTI数据可以作为一个可行的替代品或补充实际的DTI数据,用于某些分析任务和数据增强.
- 这种单步翻译方法提高了神经成像工作流程中扩散衍生的测量分析的可访问性和效率.
