Método de armonización de neuroimagen multimodal basado en difusión con preservación de detalles anatómicos

Los estudios de neuroimágenes multicéntricos enfrentan variabilidad técnica debido a diferencias entre lotes en los sitios, lo que puede obstaculizar la agregación de datos e impactar la fiabilidad del estudio. Los esfuerzos recientes en la armonización de neuroimágenes han tenido como objetivo minimizar estas brechas técnicas y reducir la variabilidad técnica entre lotes. Si bien las Redes Generativas Antagónicas (GAN) han sido un método destacado para abordar tareas de armonización de imágenes, las imágenes armonizadas por GAN sufren de artefactos o distorsiones anatómicas. Dadas las mejoras del modelo de difusión probabilística de eliminación de ruido que produce imágenes de alta fidelidad, hemos evaluado la eficacia del modelo de difusión para la armonización de neuroimágenes. Hemos demostrado la capacidad superior del modelo de difusión para armonizar imágenes de múltiples dominios, mientras que los métodos basados en GAN están limitados a armonizar imágenes entre dos dominios por modelo. Nuestros experimentos destacan que la condición anatómica invariante del dominio aprendido refuerza el modelo para preservar con precisión los detalles anatómicos mientras diferencia las variaciones de lote en cada paso de difusión. Nuestro método propuesto ha sido probado en dos conjuntos de datos de neuroimágenes públicos, ADNI1 y ABIDE II, obteniendo resultados de armonización con preservación consistente de la anatomía y una puntuación FID superior en comparación con los métodos basados en GAN. Hemos realizado múltiples análisis, incluyendo evaluaciones cuantitativas y cualitativas extensivas contra los modelos base, un estudio de ablación que muestra los beneficios de las condiciones aprendidas, y mejoras en la consistencia de la segmentación de los espacios perivasculares (PVS) a través de la armonización.