PRISM: 通过解耦表示学习实现隐私保护的跨站点 MRI 标准化
图像与视频处理
2024-11-12 v1 计算机视觉与模式识别
摘要
多站点 MRI 研究常因方法学、硬件和采集协议的差异而产生站点特异性差异，从而损害临床 AI/ML 任务中的准确性和可靠性。我们提出了 PRISM（隐私保护跨站点 MRI 标准化），一种用于在多站点间标准化结构脑 MRI 同时保护数据隐私的新型深度学习框架。PRISM 采用双分支自编码器结合对比学习和变分推断，将解剖特征与风格和站点特异性差异解耦，实现无需受试者迁移或多种 MRI 模态的非配对图像转换。我们的模块化设计允许标准化到任意目标站点，并无缝集成新站点而无需重新训练或微调。利用多站点结构 MRI 数据，我们证明了 PRISM 在脑组织分割等下游任务中的有效性，并通过多项实验验证了其标准化性能。我们的框架解决了医学 AI/ML 中的关键挑战，包括数据隐私、分布偏移、模型泛化性和可解释性。代码位于 https://github.com/saranggalada/PRISM。
引用
@article{arxiv.2411.06513,
title = {PRISM: Privacy-preserving Inter-Site MRI Harmonization via Disentangled Representation Learning},
author = {Sarang Galada and Tanurima Halder and Kunal Deo and Ram P Krish and Kshitij Jadhav},
journal= {arXiv preprint arXiv:2411.06513},
year = {2024}
}
备注
This work has been submitted to ISBI 2025