PEPSI：用于脑部 MRI 的病理增强且脉冲序列不变的表示

数据驱动的机器学习方法在 MRI 扫描分析中取得了显著进展。然而，大多数现有的 MRI 分析方法都是为特定的 MR 脉冲序列（MR 对比度）设计的，并且通常需要近乎各向同性的采集。这限制了它们对多样化真实世界临床数据的适用性，在这些数据中，由于使用不同的序列参数、分辨率和方向进行采集，扫描通常表现出外观上的差异——尤其是在存在病理的情况下。在本文中，我们提出了 PEPSI，这是第一个用于脑部 MRI 的病理增强且脉冲序列不变的特征表示学习模型。PEPSI 完全在合成图像上训练，采用一种新颖的病理编码策略，并支持在具有不同病理和缺失模态的数据集之间进行协同训练。尽管不同 MR 脉冲序列或采集图像质量（例如分辨率、方向、伪影等）之间的病理外观存在差异，PEPSI 仍能生成参考对比度（MP-RAGE）的高分辨率图像以捕捉解剖结构，同时生成一张专门突出病理的图像。我们的实验表明，与最先进的对比度无关合成模型相比，PEPSI 在图像合成方面展现出卓越的能力，因为它能准确重建解剖结构，同时区分病理与正常组织。我们进一步在涵盖白质高信号和卒中病灶的五个公开数据集上，说明了 PEPSI 特征在下游病理分割中的效率与有效性。代码可在 https://github.com/peirong26/PEPSI 获取。