当前位置:
X-MOL 学术
›
Med. Image Anal.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
Metadata-conditioned generative models to synthesize anatomically-plausible 3D brain MRIs
Medical Image Analysis ( IF 10.7 ) Pub Date : 2024-08-24 , DOI: 10.1016/j.media.2024.103325 Wei Peng 1 , Tomas Bosschieter 2 , Jiahong Ouyang 3 , Robert Paul 4 , Edith V Sullivan 1 , Adolf Pfefferbaum 5 , Ehsan Adeli 6 , Qingyu Zhao 7 , Kilian M Pohl 8
Medical Image Analysis ( IF 10.7 ) Pub Date : 2024-08-24 , DOI: 10.1016/j.media.2024.103325 Wei Peng 1 , Tomas Bosschieter 2 , Jiahong Ouyang 3 , Robert Paul 4 , Edith V Sullivan 1 , Adolf Pfefferbaum 5 , Ehsan Adeli 6 , Qingyu Zhao 7 , Kilian M Pohl 8
Affiliation
Recent advances in generative models have paved the way for enhanced generation of natural and medical images, including synthetic brain MRIs. However, the mainstay of current AI research focuses on optimizing synthetic MRIs with respect to visual quality (such as signal-to-noise ratio) while lacking insights into their relevance to neuroscience. To generate high-quality T1-weighted MRIs relevant for neuroscience discovery, we present a two-stage Diffusion Probabilistic Model (called BrainSynth) to synthesize high-resolution MRIs conditionally-dependent on metadata (such as age and sex). We then propose a novel procedure to assess the quality of BrainSynth according to how well its synthetic MRIs capture macrostructural properties of brain regions and how accurately they encode the effects of age and sex. Results indicate that more than half of the brain regions in our synthetic MRIs are anatomically plausible, i.e., the effect size between real and synthetic MRIs is small relative to biological factors such as age and sex. Moreover, the anatomical plausibility varies across cortical regions according to their geometric complexity. As is, the MRIs generated by BrainSynth significantly improve the training of a predictive model to identify accelerated aging effects in an independent study. These results indicate that our model accurately capture the brain’s anatomical information and thus could enrich the data of underrepresented samples in a study. The code of BrainSynth will be released as part of the MONAI project at .
中文翻译:
元数据条件生成模型可合成解剖学上合理的 3D 脑部 MRI
生成模型的最新进展为增强自然图像和医学图像(包括合成脑部 MRI)的生成铺平了道路。然而,当前人工智能研究的主要重点是在视觉质量(例如信噪比)方面优化合成 MRI,而缺乏对其与神经科学相关性的深入了解。为了生成与神经科学发现相关的高质量 T1 加权 MRI,我们提出了一个两阶段扩散概率模型(称为 BrainSynth)来合成有条件地依赖于元数据(例如年龄和性别)的高分辨率 MRI。然后,我们提出了一种新的程序,根据其合成 MRI 捕获大脑区域宏观结构特性的程度以及它们编码年龄和性别影响的准确程度来评估 BrainSynth 的质量。结果表明,我们的合成 MRI 中超过一半的大脑区域在解剖学上是合理的,即,相对于年龄和性别等生物学因素,真实 MRI 和合成 MRI 之间的效应大小很小。此外,不同皮质区域的解剖学合理性根据其几何复杂性而有所不同。事实上,BrainSynth 生成的 MRI 显着改善了预测模型的训练,以在独立研究中识别加速衰老效应。这些结果表明我们的模型准确地捕获了大脑的解剖信息,因此可以丰富研究中代表性不足的样本的数据。 BrainSynth 的代码将作为 MONAI 项目的一部分在 发布。
更新日期:2024-08-24
中文翻译:
元数据条件生成模型可合成解剖学上合理的 3D 脑部 MRI
生成模型的最新进展为增强自然图像和医学图像(包括合成脑部 MRI)的生成铺平了道路。然而,当前人工智能研究的主要重点是在视觉质量(例如信噪比)方面优化合成 MRI,而缺乏对其与神经科学相关性的深入了解。为了生成与神经科学发现相关的高质量 T1 加权 MRI,我们提出了一个两阶段扩散概率模型(称为 BrainSynth)来合成有条件地依赖于元数据(例如年龄和性别)的高分辨率 MRI。然后,我们提出了一种新的程序,根据其合成 MRI 捕获大脑区域宏观结构特性的程度以及它们编码年龄和性别影响的准确程度来评估 BrainSynth 的质量。结果表明,我们的合成 MRI 中超过一半的大脑区域在解剖学上是合理的,即,相对于年龄和性别等生物学因素,真实 MRI 和合成 MRI 之间的效应大小很小。此外,不同皮质区域的解剖学合理性根据其几何复杂性而有所不同。事实上,BrainSynth 生成的 MRI 显着改善了预测模型的训练,以在独立研究中识别加速衰老效应。这些结果表明我们的模型准确地捕获了大脑的解剖信息,因此可以丰富研究中代表性不足的样本的数据。 BrainSynth 的代码将作为 MONAI 项目的一部分在 发布。