面向MRI对比度表示的高效元数据引导学习框架——MR-CLIP
计算机视觉与模式识别
2025-08-04 v2 人工智能
摘要
临床系统中对磁共挑成像（MRI）扫描的精准解读，依赖于对图像对比度的精确理解。这种对比度主要由采集参数（如回波时间和重复时间）决定，这些参数存储在DICOM元数据中。为简化对比度识别，常使用T1加权或T2加权等宽泛标签，但这些标签仅提供对底层采集设置的粗略近似。在许多真实数据集中，这些标签完全缺失，仅剩原始采集参数作为对比度的唯一指示器。此外，可用元数据常不完整、嘈杂或不一致。缺乏可靠且标准化的元数据 complicates 任务，如图像解读、检索及整合到临床工作流程中。进一步地，稳健的对比感知表示对于实现模态无关表示和数据同调化至关重要。为此，我们提出MR-CLIP——一个基于多模态对比学习的框架，将MRI图像与其DICOM元数据对齐，以无需依赖手动标签学习对比感知表示。在多个扫描仪和协议构成的多样化临床数据集上训练，MR-CLIP能够捕捉跨采集和单次扫描内的对比度变化，实现解剖无关表示。我们展示了其在跨模态检索和对比分类中的有效性，凸显了其可扩展性及进一步临床应用的潜力。代码与模型权重已公开于 https://github.com/myigitavci/MR-CLIP。
引用
@article{arxiv.2507.00043,
title = {MR-CLIP: Efficient Metadata-Guided Learning of MRI Contrast Representations},
author = {Mehmet Yigit Avci and Pedro Borges and Paul Wright and Mehmet Yigitsoy and Sebastien Ourselin and Jorge Cardoso},
journal= {arXiv preprint arXiv:2507.00043},
year = {2025}
}