基于扩散模型的多域神经影像调和方法及解剖细节保留
计算机视觉与模式识别
2024-09-04 v1 人工智能
图像与视频处理
摘要
多中心神经影像研究因跨站点的批次差异导致技术可变性，这可能妨碍数据聚合并影响研究可靠性。近期神经影像调和研究旨在最小化这些技术差距，减少跨批次的技术可变性。虽然生成对抗网络（GAN）是解决图像调和任务的热门方法，但 GAN 调和后的图像会出现伪影或解剖失真。鉴于去噪扩散概率模型能够生成高保真图像，我们评估了扩散模型在神经影像调和中的有效性。我们展示了扩散模型在多域图像调和方面具有优势，而 GAN 方法受限于每个模型只能在两个域之间进行调和。我们的实验表明，所学的域无关解剖条件有助于模型在每个扩散步骤中准确保留解剖细节，同时区分批次差异。我们在两个公开神经影像数据集 ADNI1 和 ABIDE II 上进行测试，调和结果在保持解剖结构一致性方面优于 GAN 方法，FID 分数也显著提升。我们进行了包括大量定性和定量评估、消融研究以及通过调和提高 Perivascular 空间（PVS）分割一致性等多项分析，验证了所提方法的有效性。
引用
@article{arxiv.2409.00807,
title = {Diffusion based multi-domain neuroimaging harmonization method with preservation of anatomical details},
author = {Haoyu Lan and Bino A. Varghese and Nasim Sheikh-Bahaei and Farshid Sepehrband and Arthur W Toga and Jeiran Choupan},
journal= {arXiv preprint arXiv:2409.00807},
year = {2024}
}