IGUANe：用于多中心脑部 MR 图像调和的 3D 通用 CycleGAN

在 MRI 研究中，来自多个获取站点的图像数据聚合可增大样本量，但可能引入与站点相关的变异性，阻碍后续分析的一致性。基于深度学习的图像翻译方法已成为跨站点调和 MR 图像的解决方案之一。本研究引入 IGUANe（Image Generation with Unified Adversarial Networks），一个原创的 3D 模型，利用域转换和简单风格迁移方法的优势，用于多中心脑部 MR 图像调和。IGUANe 通过集成通过 many-to-one 架构实现的多个域的训练，扩展了 CycleGAN。该基于域对的框架使能够实施采样策略，以防止与站点相关变异性和生物变异性之间的混淆。在推断期间，该模型可应用于任何图像，甚至来自未知获取站点的图像，使其成为用于调和的通用生成器。在由 11 个不同扫描仪的 T1 加权图像组成的数据集上训练的 IGUANe 在未见站点的数据上进行评估。评估包括对携带旅行主体的 MR 图像转换、维持域内 MR 图像之间两两距离的保持、与年龄和阿尔茨海默病（AD）相关的体积模式演变，以及在年龄回归和患者分类任务中的性能。与其他调和和归一化方法的比较表明，IGUANe 更好地保留了 MR 图像中的个体信息，更适合维持和强化与年龄和 AD 相关的变异性。未来的研究可进一步在其他多中心情境中评估 IGUANe，或使用相同模型或重新训练以适用于不同的图像模态。IGUANe 可在 https://github.com/RocaVincent/iguane_harmonization.git 上获取。