基于皮层引导的扩散模型大脑图像生成
计算机视觉与模式识别
2026-01-28 v1 人工智能
机器学习
摘要
合成神经影像数据可缓解真实数据集中的关键限制，包括罕见表型的稀缺、跨扫描仪器之间的域迁移以及 longitudinal coverage（纵向覆盖）不足。然而，现有的生成模型大多依赖弱条件信号（如标签或文本），缺乏解剖学 grounding，常产生生物学上不合理的输出。为此，我们引入 Cor2Vox，一个基于皮层引导的脑磁共振图像（MRI）合成生成框架，将图像生成与大脑皮层的连续结构先验相结合。它利用高分辨率皮层表面引导 3D 形状到图像的布朗桥扩散过程，实现拓扑忠实的合成并对底层解剖结构实现精确控制。为支持生成新的真实脑形状，我们开发了一个来自超过 33,000 项 UK Biobank 检查数据派生的大规模脑皮层形态统计形状模型。我们基于传统图像质量指标、先进的皮层表面重建和全脑分割质量评估了 Cor2Vox 的保真度，结果表明其优于许多基线方法。在三个应用场景中，即（i）解剖学一致的合成，（ii）渐进性脑白质萎缩的仿真，（iii）将本机前额时序痴呆扫描与公共数据集进行和谐化，Cor2Vox 在亚体素级别保持了精细的皮层形态，能够在各种皮层几何和疾病表型变异下实现卓越的鲁棒性而无需重新训练。
引用
@article{arxiv.2601.19498,
title = {Cortex-Grounded Diffusion Models for Brain Image Generation},
author = {Fabian Bongratz and Yitong Li and Sama Elbaroudy and Christian Wachinger},
journal= {arXiv preprint arXiv:2601.19498},
year = {2026}
}
备注
preprint