解耦扩散自编码器用于多站点神经影像数据的调和
计算机视觉与模式识别
2024-08-29 v1
摘要
将来自多个站点和扫描仪器的神经影像数据组合在一起可以帮助提高统计功效，从而提供更深入地理解微小神经解剖效应的洞见。然而，站点特定效应会带来挑战，可能遮蔽生物信号并引入不必要的方差。现有的调和技术使用统计模型来移除此类效应，已显示无法完全移除站点效应，同时也未能保留生物可变性。更近期，针对站点调整提出了基于GAN或自编码器的方法。然而，这些方法在训练期间不稳定或生成模糊图像方面已为人所知。近年来，扩散模型因能够生成高质量合成图像而日益流行。本文引入了解耦扩散自编码器（DDAE），一种 novel 扩散模型，用于控制图像的特定方面。我们将 DDAE 应用于调和 MR 图像任务，通过生成保持生物可变性的高质量站点调整图像。我们使用来自 7 个不同站点的数据，展示了 DDAE 在生成高分辨率、调和后的 2D MR 图像方面优于先前方法。据我们所知，本工作是首个用于神经影像数据站点调整的扩散模型。
引用
@article{arxiv.2408.15890,
title = {Disentangled Diffusion Autoencoder for Harmonization of Multi-site Neuroimaging Data},
author = {Ayodeji Ijishakin and Ana Lawry Aguila and Elizabeth Levitis and Ahmed Abdulaal and Andre Altmann and James Cole},
journal= {arXiv preprint arXiv:2408.15890},
year = {2024}
}