DIST-CLIP: 基于解耦解剖-对比度表征的任意元数据与图像引导 MRI 标准化
计算机视觉与模式识别
2025-12-09 v1 人工智能
摘要
深度学习在transforming医学图像分析方面具有巨大潜力，但其临床泛化能力仍然受到严重制约。主要障碍是数据异质性。这在磁共振成像（MRI）中尤为明显，扫描仪硬件差异、多样化采集协议和可变序列参数引入了显著的域偏移，掩盖了潜在的生物信号。数据标准化方法旨在减少仪器和采集变异性，但现有方法仍不充分。应用于成像数据时，基于图像的标准化方法常受限于对目标图像的需求，而现有的文本引导方法依赖过于简单的标签，无法捕捉复杂的采集细节，或通常仅限于变异性有限的数据集，无法反映真实临床环境的异质性。为解决这些局限，我们提出了 DIST-CLIP（基于 CLIP 引导的解耦风格迁移），一个灵活的 MRI 标准化框架，可使用目标图像或 DICOM 元数据进行引导。我们的框架显式地将解剖内容与图像对比度解耦，对比度表征通过预训练的 CLIP 编码器提取。这些对比度嵌入随后通过新颖的自适应风格迁移模块整合到解剖内容中。我们在多样化真实临床数据集上训练和评估了 DIST-CLIP，在风格迁移保真度和解剖结构保留方面与最先进方法相比均表现出显著提升，提供了一种灵活的风格迁移和 MRI 数据标准化方案。我们的代码和权重将在发表时公开发布。
引用
@article{arxiv.2512.07674,
title = {DIST-CLIP: Arbitrary Metadata and Image Guided MRI Harmonization via Disentangled Anatomy-Contrast Representations},
author = {Mehmet Yigit Avci and Pedro Borges and Virginia Fernandez and Paul Wright and Mehmet Yigitsoy and Sebastien Ourselin and Jorge Cardoso},
journal= {arXiv preprint arXiv:2512.07674},
year = {2025}
}