基于SSIM引导解耦的扫描仪无关MRI协调框架

《Frontiers in Artificial Intelligence》：Scanner-agnostic MRI harmonization via SSIM-guided disentanglement

　　

**摘要**

**引言：** 不同MRI扫描仪型号、采集协议和成像中心引入的变异性，妨碍了多中心研究中的一致分析与泛化能力。

**方法：** 研究人员提出了一种新颖的、基于图像的3D T1加权脑部MRI协调框架，该框架将解剖学内容与扫描仪及中心特异性变异进行解耦。该模型整合了一个基于结构相似性指数（Structural Similarity Index Measure, SSIM）的可微损失函数，以在减少中心间变异性的同时保留具有生物学意义的特征。该公式允许在优化过程中分别对亮度、对比度和结构成分进行建模。训练和验证在多个公开可用的数据集上进行，涵盖不同的扫描仪和中心，并在健康个体和病理状况人群中进行测试。所提出的方法在多种目标设置下进行了评估，包括扫描仪-中心特异性目标和风格无关目标，并与具有代表性的基于图像的协调基准方法进行了比较。

**结果：** 在这些目标设置下，协调产生了一致且高质量的输出。视觉比较、体素强度分布和基于SSIM的指标表明，协调后的图像在跨采集设置上实现了更好的对齐，同时保持了解剖学保真度。在风格无关设置中，受试者内部原始-协调比较显示出高度的解剖学保留，SSIM的结构成分达到0.975 ± 0.007。外观一致性也有所改善，平均体素强度分布之间的Wasserstein距离从协调前的8.45 ± 5.35降至1.77 ± 0.62，亮度相似性从0.952 ± 0.037增加到0.982 ± 0.017。下游分析进一步证实了所提出方法的有效性。对于脑龄预测，平均绝对误差在风格无关协调后从4.08 ± 1.16年降至2.81 ± 0.55年。对于阿尔茨海默病分类，受试者工作特征曲线下面积从0.857 ± 0.038提高到0.899 ± 0.024。与所考虑的基准方法相比，所提出的框架在所采用的评估协议下显示出更强的图像级协调和更一致的下游改进。

**讨论：** 总体而言，所提出的框架增强了跨中心图像一致性，保留了解剖学相关信息，并提高了下游预测性能，为大规模多中心神经影像学研究提供了一个稳健且可泛化的解决方案。

**基于SSIM引导解耦的MRI协调框架研究解读**

**研究背景与问题**

多中心神经影像学研究日益依赖于大型MRI数据集，以探索神经系统疾病机制并支持临床应用。然而，不同扫描仪型号、采集协议和成像中心引入的显著图像特征差异，如对比度、亮度和空间分辨率，严重威胁了成像生物标志物的可靠性。即使相同型号的扫描仪，也可能因硬件、软件和维护差异而产生不同结果，这阻碍了多中心研究的可重复性。因此，协调跨扫描仪和中心的数据差异，对于确保一致且可比较的分析至关重要。现有协调技术分为基于特征和基于图像两类。基于特征的方法调整衍生指标，虽计算高效，但严重依赖预处理流程，且难以捕捉体素级精细变异。基于图像的方法，包括Transformer模型、图像到图像转换和风格迁移，直接修正体素级变异，但常面临结构保真度与视觉一致性之间的平衡难题。一些方法过度强调外观相似性，可能改变解剖内容；另一些则过度刚性保留结构，限制了协调程度。此外，许多模型在2D切片或小块上操作，限制了对全局3D上下文的捕捉能力。为此，研究人员提出了一种新的3D MRI协调框架，旨在解决上述局限性。

**研究内容与结论**

研究人员提出的框架将原本用于2D自然图像的AGUIT域转换网络扩展至体素级医学数据，实现了解剖结构与扫描仪/中心特异性变异的解耦，从而生成既能保留生物学意义解剖结构，又能显著减少跨成像中心变异的协调图像。该框架通过结合重建、循环重建、对抗目标以及基于SSIM引导的结构和外观一致性约束，有效减少了采集相关变异性，同时保留了个体解剖信息。在包含健康对照和病理人群（如ASD和AD）的多个大规模公开数据集上的广泛验证表明，该框架产生的协调图像具有改善的体素强度分布对齐、增强的亮度一致性以及保留的解剖结构。协调的益处也体现在下游神经影像分析中，脑龄预测误差降低，阿尔茨海默病分类性能在主要评估指标上均有提升。此外，残差扫描仪中心预测分析显示，协调降低了从图像中恢复采集域信息的可能性。与IGUANe、STGAN和DISARM等基准方法相比，该框架在分布对齐和下游任务一致性改进方面表现更强。该论文发表在《Frontiers in Artificial Intelligence》。

**主要关键技术方法**

研究人员使用了以下关键技术方法。其一，构建了一个包含解剖编码器（E_b）、风格编码器（E_s）和生成器（G）的3D卷积架构，并辅以图像和潜在解剖层面的对抗判别器（D_x和D_b），以实现解剖与风格的解耦。其二，设计了一个基于SSIM的可微损失函数，该函数利用SSIM可分离的亮度、对比度和结构成分，允许分别优化以增强感知一致性、保留解剖保真度并促进外观一致性。其三，采用半监督训练策略，利用未标记和带扫描仪-中心标签的图像对进行训练。训练数据来自ADNI、PPMI、IXI和SALD等公开数据集的健康对照，共655幅图像，涵盖5种扫描仪和12个中心。独立测试集包含704幅健康对照图像，涵盖6种扫描仪和16个中心，以及ABIDE I和ADNI 3-4数据集中的病理人群和健康对照。

**研究结果**

**解剖结构保留：** 通过计算原始图像与协调后图像之间的结构SSIM（s(x, y)）来评估解剖保留程度。在以非去颅骨图像为参考的设置下，所提出模型在三种协调目标（扫描仪-中心A、B和风格无关）下的原始-协调结构SSIM值均为0.975 ± 0.007、0.975 ± 0.009和0.975 ± 0.007，显著高于受试者间参考值0.680 ± 0.050，表明解剖结构得到高度保留。在相同的非去颅骨参考设置下，DISARM的值为0.966 ± 0.010，略低于所提出框架。

**外观一致性：** 通过比较协调前后各扫描仪-中心对之间的平均体素强度分布和亮度相似性来评估外观一致性。协调后，各扫描仪-中心对间平均体素强度分布的Wasserstein距离从协调前的8.45 ± 5.35显著降低至目标A、B和风格无关目标的2.08 ± 0.77、1.91 ± 0.64和1.77 ± 0.62。亮度相似性从0.952 ± 0.037增加至约0.98。与基准方法相比，所提出模型在三个目标设置下均取得了更低的Wasserstein距离，表明外观协调效果更强。

**下游分析：** 为评估协调对下游应用的影响，研究人员进行了脑龄预测和AD分类两项任务。在基于ABIDE I数据集的脑龄预测中，协调后平均绝对误差（MAE）从4.08 ± 1.16年降至2.81 ± 0.55年（风格无关目标），R²从0.473 ± 0.254提升至0.713 ± 0.122。在基于ADNI 3-4数据集的AD分类中，协调后AUC从0.857 ± 0.038提升至0.899 ± 0.024（风格无关目标），平衡准确率和F1分数也均有提升。基准方法虽也带来改进，但效果不如所提出框架显著或一致。

**残差扫描仪中心可预测性：** 通过训练3D ResNet分类器预测扫描仪-中心标签来评估协调后残存的采集域信息。协调前，扫描仪中心预测的平衡准确率和宏F1分数分别为0.921 ± 0.071和0.899 ± 0.092。协调后，各目标设置下的预测性能均下降，其中风格无关目标的降幅最大，平衡准确率降至0.610 ± 0.222，宏F1降至0.545 ± 0.267。这表明协调有效降低了采集域信息的可恢复性，但并未完全消除。

**讨论与结论**

研究讨论部分指出，所提出的框架通过SSIM引导的解剖/风格解耦，有效减少了采集相关变异，同时保留了解剖和临床相关信息。相较于基准方法，该框架在分布对齐和下游任务改进方面表现出更强的优势。研究结论部分总结，该框架是一种有前景且可扩展的基于图像的协调策略，适用于大规模多中心神经影像研究，能有效减少采集相关变异性，同时支持下游预测分析。未来工作可进一步在更大规模、更多样化的多中心队列（包括旅行受试者数据集）中验证其泛化性，并评估其对区域形态学测量和任务特异性生物标志物（如皮层厚度、皮层下体积）的影响。此外，还可探索模型在不同预处理流程、空间分辨率和输入矩阵尺寸下的行为。