跨 100+ 台扫描仪的 MR 图像均衡化：基于旅行受试者的多中心验证与实际临床协议
图像与视频处理
2026-04-22 v1
摘要
可靠地对异构的磁共振（MR）图像数据集进行均衡化（尤其是实践性临床试验中的数据集）对于推进多中心神经成像研究和医学中可翻译机器学习至关重要。我们提出了 HACA3 均衡化算法的增强版并经过严格验证，称为 HACA3，其中包含关键方法论改进：（1）改进的信道编码器以更好地隔离和缓解图像信道；（2）背景和前景敏感的注意力机制以提高均衡化的特异性；（3）使用来自 100+ 台扫描仪、64 个独立 site 的数据进行大规模训练，提供了其他均衡化方法所未曾拥有的更广泛的扫描仪多样性。我们的研究聚焦于四种常规获取的 MR 图像对比（T1 加权、T2 加权、体积密度和流体抑制逆转恢复），反映真实的临床协议。我们使用旅行受试者进行跨 site 均衡化实验，以评估均衡化模型的泛化性和鲁棒性。我们比较了公开可用的 HACA3 版本和我们实现的 HACA3。通过全脑分割和图像插值进一步建立了下游相关性。最后，我们通过消融实验为每项改进提供了依据。HACA3 的预训练权重和代码已公开 disponible at https://github.com/shays15/haca3-plus。
引用
@article{arxiv.2604.19474,
title = {Harmonizing MR Images Across 100+ Scanners: Multi-site Validation with Traveling Subjects and Real-world Protocols},
author = {Savannah P. Hays and Lianrui Zuo and Muhammad Faizyab Ali Chaudhary and Kathleen M. Bartz and Samuel W. Remedios and Jinwei Zhang and Jiachen Zhuo and Murat Bilgel and Shiv Saidha and Ellen M. Mowry and Scott D. Newsome and Jerry L. Prince and Blake E. Dewey and Aaron Carass},
journal= {arXiv preprint arXiv:2604.19474},
year = {2026}
}
备注
MIDL Validation Track 2026