Harmonizing Flows：利用正规化流实现无监督和源自由 MRI 图像调谐
计算机视觉与模式识别
2025-03-27 v1
摘要
磁共振（MR）图像获取的缺乏标准化和各种内在参数导致不同站点和设备之间的图像异质性，这不利于深度神经网络的泛化。为缓解此问题，本工作提出了一种新型无监督调谐框架，利用正规化流对齐 MR 图像，从而模拟源域的分布。该方法包括三个关键步骤：首先，训练正规化流网络以捕获源域的分布特征；其次，我们训练一个浅层调谐网络通过其增强型对手来重建来自源域的图像；最后，在推断期间，更新调谐网络以确保输出图像符合由正规化流网络所建模的源域分布。该方法无监督、源自由且任务中性， assessed 在成人和新生儿跨域脑 MRI 分割以及新生儿脑龄估计的上下文中，展示了其在任务和人口统计学特征方面的广泛适用性。结果强调其优于现有方法的表现。代码可在 https://github.com/farzad-bz/Harmonizing-Flows 获取。
引用
@article{arxiv.2407.15717,
title = {Harmonizing Flows: Leveraging normalizing flows for unsupervised and source-free MRI harmonization},
author = {Farzad Beizaee and Gregory A. Lodygensky and Chris L. Adamson and Deanne K. Thompso and Jeanie L. Y. Cheon and Alicia J. Spittl. Peter J. Anderso and Christian Desrosier and Jose Dolz},
journal= {arXiv preprint arXiv:2407.15717},
year = {2025}
}