DISARM++: Beyond scanner-free harmonization

要約

さまざまなスキャナーにわたるT1強調MR画像の調和は、神経画像研究の一貫性を確保するために重要です。
この研究では、画像の調和を直接するための新しいアプローチを紹介し、機能を超えて標準化を超えて、抽出された特徴がダウンストリーム分析のために本質的に信頼性を維持することを保証します。
私たちの方法は、2つの方法で画像転送を可能にします。（1）すべてのスキャナーにわたって均一な外観のためのスキャナーフリーのスペースへの画像のマッピング、および（2）モデルトレーニングで使用される特定のスキャナーのドメインに画像を変換し、そのユニークな特性を埋め込みます。
私たちのアプローチは、トレーニングフェーズに含まれていない目に見えないスキャナーであっても、強力な一般化能力を提示します。
健康なコントロール、移動科目、アルツハイマー病（AD）の個人など、多様なコホートのMR画像を使用して方法を検証しました。
モデルの有効性は、脳年齢予測（R2 = 0.60 \ PM 0.05）、バイオマーカー抽出、AD分類（テスト精度= 0.86 \ PM 0.03）、診断予測（AUC = 0.95）などの複数のアプリケーションでテストされています。
すべての場合において、当社の調和手法は最先端の方法よりも優れており、信頼性と予測精度の両方の改善を示しています。
さらに、私たちのアプローチは、脳と非脳の構造を誤分類することでエラーを導入できるスカルストリッピングなどの広範な前処理ステップの必要性を排除します。
これにより、頭部外傷や頭蓋の変形に関する研究など、フルヘッド分析が必要なアプリケーションに特に適しています。
さらに、当社の調和モデルでは、新しいデータセットの再訓練を必要としないため、さまざまなニューロイメージングワークフローへのスムーズな統合が可能になります。
スキャナーに不変の画像品質を確保することにより、当社のアプローチは、多様な設定全体で神経画像研究を改善するための堅牢で効率的なソリューションを提供します。
このコードはこのリンクで利用できます。

要約(オリジナル)

Harmonization of T1-weighted MR images across different scanners is crucial for ensuring consistency in neuroimaging studies. This study introduces a novel approach to direct image harmonization, moving beyond feature standardization to ensure that extracted features remain inherently reliable for downstream analysis. Our method enables image transfer in two ways: (1) mapping images to a scanner-free space for uniform appearance across all scanners, and (2) transforming images into the domain of a specific scanner used in model training, embedding its unique characteristics. Our approach presents strong generalization capability, even for unseen scanners not included in the training phase. We validated our method using MR images from diverse cohorts, including healthy controls, traveling subjects, and individuals with Alzheimer’s disease (AD). The model’s effectiveness is tested in multiple applications, such as brain age prediction (R2 = 0.60 \pm 0.05), biomarker extraction, AD classification (Test Accuracy = 0.86 \pm 0.03), and diagnosis prediction (AUC = 0.95). In all cases, our harmonization technique outperforms state-of-the-art methods, showing improvements in both reliability and predictive accuracy. Moreover, our approach eliminates the need for extensive preprocessing steps, such as skull-stripping, which can introduce errors by misclassifying brain and non-brain structures. This makes our method particularly suitable for applications that require full-head analysis, including research on head trauma and cranial deformities. Additionally, our harmonization model does not require retraining for new datasets, allowing smooth integration into various neuroimaging workflows. By ensuring scanner-invariant image quality, our approach provides a robust and efficient solution for improving neuroimaging studies across diverse settings. The code is available at this link.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google