基于元数据条件生成模型合成解剖学可信的 3D 脑 MRI
图像与视频处理
2023-10-10 v1 计算机视觉与模式识别
摘要
生成式 AI 模型在创建合成脑 MRI 方面具有巨大潜力，可通过丰富数据多样性等方式推进神经影像研究。然而，AI 研究的主流仅聚焦于优化合成 MRI 的视觉质量（如信噪比），而缺乏其与神经科学相关性的洞见。为获得关于 T1 加权 MRI 的此类洞见，我们首先提出一种新的生成模型 BrainSynth，用于合成元数据条件化（如年龄与性别特定）的 MRI，其实现了最先进的视觉质量。随后我们以一新流程扩展评估，以量化解剖学可信度，即合成 MRI 在多大程度上捕获脑区的宏观结构特性，以及它们在多大精度上编码了年龄与性别的效应。结果表明，我们合成 MRI 中超过一半的脑区在解剖学上是准确的，即真实与合成 MRI 间效应量很小。此外，解剖学可信度依据几何复杂性在不同皮质区域间变化。就现状而言，我们的合成 MRI 可显著改进卷积神经网络（Convolutional Neural Network）在一项独立研究中识别加速衰老效应的训练。这些结果凸显了利用生成式 AI 辅助神经影像研究的机会，并指出了进一步改进的方向。
引用
@article{arxiv.2310.04630,
title = {Metadata-Conditioned Generative Models to Synthesize Anatomically-Plausible 3D Brain MRIs},
author = {Wei Peng and Tomas Bosschieter and Jiahong Ouyang and Robert Paul and Ehsan Adeli and Qingyu Zhao and Kilian M. Pohl},
journal= {arXiv preprint arXiv:2310.04630},
year = {2023}
}