Disentangled Diffusion Autoencoder for Harmonization of Multi-site Neuroimaging Data

要約

複数の部位とスキャナーからの神経画像データセットを組み合わせると、統計的検出力が向上し、微妙な神経解剖学的影響に対するより優れた洞察が得られます。
ただし、部位特異的な効果は、生物学的シグナルを覆い隠し、望ましくない変動を引き起こす可能性があるため、課題を引き起こします。
統計モデルを使用してそのような影響を除去する既存の調和化技術は、部位の影響を不完全に除去するだけでなく、生物学的変動性を維持することもできないことが示されている。
最近では、GAN またはオートエンコーダーベースのアプローチを使用した生成モデルが、サイト調整のために提案されています。
ただし、このような方法はトレーニング中やぼやけた画像生成中に不安定になることが知られています。
近年、高品質の合成画像を生成できる拡散モデルの人気が高まっています。
この研究では、画像の特定の側面を制御するために設計された新しい拡散モデルである、解絡拡散オートエンコーダー (DDAE) を紹介します。
私たちは DDAE を、生物学的多様性を維持した高品質の部位調整画像を生成することにより、MR 画像を調和させるタスクに適用します。
私たちは 7 つの異なるサイトからのデータを使用し、高解像度で調和のとれた 2D MR 画像を生成する点で、以前のアプローチよりも DDAE が優れていることを実証しました。
私たちが知る限り、この研究は神経画像データの部位調整のための最初の拡散ベースのモデルを示しています。

要約(オリジナル)

Combining neuroimaging datasets from multiple sites and scanners can help increase statistical power and thus provide greater insight into subtle neuroanatomical effects. However, site-specific effects pose a challenge by potentially obscuring the biological signal and introducing unwanted variance. Existing harmonization techniques, which use statistical models to remove such effects, have been shown to incompletely remove site effects while also failing to preserve biological variability. More recently, generative models using GANs or autoencoder-based approaches, have been proposed for site adjustment. However, such methods are known for instability during training or blurry image generation. In recent years, diffusion models have become increasingly popular for their ability to generate high-quality synthetic images. In this work, we introduce the disentangled diffusion autoencoder (DDAE), a novel diffusion model designed for controlling specific aspects of an image. We apply the DDAE to the task of harmonizing MR images by generating high-quality site-adjusted images that preserve biological variability. We use data from 7 different sites and demonstrate the DDAE’s superiority in generating high-resolution, harmonized 2D MR images over previous approaches. As far as we are aware, this work marks the first diffusion-based model for site adjustment of neuroimaging data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google