无配对多部位大脑MRI协调与图像风格指导的潜在扩散
Mengqi Wu1,2, Minhui Yu1,2, Weili Lin1
1Department of Radiology and Biomedical Research Imaging Center, University of North Carolina at Chapel Hill, Chapel Hill, NC 27599, USA.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|December 18, 2025
概括
本研究引入了一个未配对的MRI协调 (UMH) 框架,使用一种新的扩散模型. UMH有效地协调多部位大脑MRI数据,而不需要配对样本,从而改善下游分析.
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:
- 多部位大脑MRI数据由于扫描仪和协议的变化而呈现异质性.
- 这种异质性给统一的数据分析和解释带来了挑战.
- 现有的图像协调方法通常需要配对数据或复杂的模型.
研究的目的:
- 开发一个未配对的MRI协调框架 (UMH),以解决多站点数据异质性问题.
- 为了利用一种新的图像风格引导的扩散模型进行协调.
- 消除对数据配对的需要,并减少计算复杂性.
主要方法:
- UMH采用了两阶段的方法:使用条件隐性扩散模型的粗调和器和使用CLIP衍生风格嵌入的精细调和器.
- 该框架将多站点的MRI与统一的域保持一致,同时保留解剖学信息.
- CLIP嵌入式捕捉语义风格差异,避免显式风格学习.
主要成果:
- 与最先进的方法相比,UMH在三个多站点数据集 (4,123个MRI) 上表现出更高的性能.
- 评估包括图像级别的比较,下游分类和大脑组织细分任务.
- 该方法有效地协调了MRI数据,而不需要配对样本.
结论:
- 拟议的UMH框架提供了一种有效的解决方案,用于协调异构的多部位大脑MRI数据.
- UMH 降低了计算成本,并消除了对联训练数据的需求.
- 这种方法提高了MRI分析在不同地点的一致性和可靠性.
