基于信息论的解耦表示学习用于无监督 MR harmonization

准确性与一致性是计算机辅助磁共振（MR）图像分析的两个关键因素。然而，由于缺乏 MR 采集标准化的站点间对比度差异阻碍了一致性测量。近年来，已提出图像 harmonization 方法来补偿 MR 图像中的对比度差异。当前的 harmonization 方法要么需要跨站点 traveling 受试者进行监督训练，要么严重依赖站点特定的 harmonization 模型以提升 harmonization 准确性。这些要求潜在地限制了当前 harmonization 方法在大规模多站点研究中的应用。在本工作中，我们提出了一种无监督 MR harmonization 框架 CALAMITI（用于 MR 强度平移与整合的对比解剖学习与分析），该框架基于信息瓶颈理论。CALAMITI 使用统一结构学习解耦潜空间，用于多站点 harmonization，且无需 traveling 受试者。我们的模型还能够自适应地 harmonize 来自新站点的 MR 图像，仅使用来自新站点的图像进行微调。定性与定量结果均表明，所提方法相较于其他无监督 harmonization 方法取得了更优性能。