基于潜在扩散模型的条件脑部MRI生成：解剖结构、病理状况与采集模态的解耦表示及零样本外推

《Scientific Reports》：Generative synthesis of high-fidelity pathological brain MRI via label-conditioned latent diffusion

　　

摘要

合成高保真脑部磁共振成像（MRI）对于解决医学研究中的数据稀缺和隐私约束至关重要。在本研究中，我们提出了一种用于条件 MRI 生成的潜在扩散模型（LDM），该模型在压缩的潜在空间中运行，以优化计算效率，同时保持解剖结构的完整性。该模型以病理状况（健康、胶质母细胞瘤、硬化症和痴呆症）和采集模态（T1 加权、T1ce、T2 加权、FLAIR 和质子密度）作为条件。该框架在来自六个公共库的 1477 名受试者的多样化队列上进行训练，学习病理特征和成像对比度的解耦表示。为确保方法论的严谨性，我们从结构保真度、潜在解耦和临床实用性三个方面对框架进行了全面评估。利用具有领域特定 MedicalNet 特征的弗雷歇起始距离（FID）和多尺度结构相似性（MS-SSIM）进行的定量分析表明，合成图像在统计上与真实世界的生物方差相符。结构一致性进一步通过用于结构相似性的双侧单侧检验（TOST）得到验证，而确定性的标签交换实验则定量支持了所学条件的有意义解耦。此外，放射科专家的盲评确认，合成容积表现出高度的感知真实性，质量分数可与真实诊断扫描相媲美。至关重要的是，该模型展示了有效的零样本外推能力，成功合成了在训练集中完全缺失的病理和模态组合在解剖学上合理的扫描图像。这些外推容积的功能效用通过下游的 3D 病理分类任务得到验证，其中合成增强显著稳定了决策边界并提高了少数类性能。通过解耦解剖结构、病理和模态的潜在表示，我们的方法促进了可扩展的跨条件数据生成，同时降低了患者隐私风险，因为在推理阶段不会引用任何个体解剖结构或源图像。