arXiv 2509.065922025-09-08eess.IVcs.CV

对比解剖-对比度解缠：一种域泛化MRI协调方法

Contrastive Anatomy-Contrast Disentanglement: A Domain-General MRI Harmonization Method

Chair for AI for Image-Guided Diagnosis and Therapy, Technical University of Munich (TUM) and TUM University Hospital, Munich, Germany（人工智能辅助影像引导诊断与治疗研究所，慕尼黑技术大学（TUM）及慕尼黑技术大学医院，慕尼黑，德国）；Munich Center for Machine Learning (MCML), Munich, Germany（慕尼黑机器学习中心，慕尼黑，德国）；Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM) and TUM University Hospital, Munich, Germany（人工智能在医疗与健康领域研究所，慕尼黑技术大学（TUM）及慕尼黑技术大学医院，慕尼黑，德国）；Department of Radiation Oncology, TUM University Hospital, Munich, Germany（放射肿瘤科，慕尼黑技术大学医院，慕尼黑，德国）；Chair for Computer Vision and Artificial Intelligence, Technical University of Munich (TUM), Munich, Germany（计算机视觉与人工智能研究所，慕尼黑技术大学（TUM），慕尼黑，德国）；Stanford Center for Artificial Intelligence in Medicine and Imaging, Stanford University, Stanford, CA, USA（斯坦福大学人工智能在医学与影像中心，斯坦福大学，斯坦福，CA，美国）；Deutsches Konsortium für Translationale Krebsforschung (DKTK), Partner Site Munich, Munich, Germany（德国转化癌症研究联盟（DKTK），慕尼黑合作伙伴站点，慕尼黑，德国）；Institute of Radiation Medicine (IRM), Department of Radiation Sciences (DRS), Helmholtz Center Munich, Munich, Germany（放射医学研究所（IRM），辐射科学部门（DRS），海德堡慕尼黑研究中心，慕尼黑，德国）

Daniel Scholz, Ayhan Can Erdur, Robbie Holland, Viktoria Ehm, Jan C. Peeken, Benedikt Wiestler, Daniel Rueckert

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

提出一种基于条件扩散自编码器与对比损失的MRI协调方法，实现跨扫描仪图像对比度归一化，保留解剖细节，无需微调即可泛化，显著提升PSNR和年龄回归精度。

摘要：

磁共振成像（MRI）是临床和研究应用中不可或缺的工具。然而，扫描仪和采集参数的差异会导致图像对比度不一致，阻碍了跨数据集和临床研究的数据可比性和可重复性。现有的扫描仪协调方法旨在解决这一挑战，但面临局限性，例如需要受试者出行或难以泛化到未见过的领域。我们提出了一种新方法，使用带有对比损失和域无关对比度增强的条件扩散自编码器，在保留受试者特定解剖结构的同时，协调跨扫描仪的MR图像。我们的方法能够从单张参考图像合成脑部MRI。它优于基线技术，在出行受试者数据集上实现了+7%的PSNR提升，在未见领域上的年龄回归实现了+18%的提升。我们的模型提供了稳健、有效的脑部MRI协调，无需微调即可适配目标扫描仪。这一进展有望增强多中心和纵向临床研究中的可比性、可重复性和泛化性，最终有助于改善医疗保健结果。

英文摘要：

Magnetic resonance imaging (MRI) is an invaluable tool for clinical and research applications. Yet, variations in scanners and acquisition parameters cause inconsistencies in image contrast, hindering data comparability and reproducibility across datasets and clinical studies. Existing scanner harmonization methods, designed to address this challenge, face limitations, such as requiring traveling subjects or struggling to generalize to unseen domains. We propose a novel approach using a conditioned diffusion autoencoder with a contrastive loss and domain-agnostic contrast augmentation to harmonize MR images across scanners while preserving subject-specific anatomy. Our method enables brain MRI synthesis from a single reference image. It outperforms baseline techniques, achieving a +7% PSNR improvement on a traveling subjects dataset and +18% improvement on age regression in unseen. Our model provides robust, effective harmonization of brain MRIs to target scanners without requiring fine-tuning. This advancement promises to enhance comparability, reproducibility, and generalizability in multi-site and longitudinal clinical studies, ultimately contributing to improved healthcare outcomes.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。