[论文解读] Information-based Disentangled Representation Learning for Unsupervised MR Harmonization

Lianrui Zuo, Blake E. Dewey+5 more|arXiv (Cornell University)|Mar 24, 2021

Advanced MRI Techniques and Applications参考文献 28被引用 6

一句话总结

本文提出 CALAMITI，一种基于信息瓶颈理论的无监督 MR 对比度统一框架，可在无需跨站点成对数据的情况下，学习多站点 MR 图像翻译的解耦潜在空间。通过利用站点内 T1 和 T2 加权图像对并采用统一架构，该方法在统一精度和泛化能力方面达到最先进性能，并可通过微调实现对新站点的强零样本适应能力。

ABSTRACT

Accuracy and consistency are two key factors in computer-assisted magnetic resonance (MR) image analysis. However, contrast variation from site to site caused by lack of standardization in MR acquisition impedes consistent measurements. In recent years, image harmonization approaches have been proposed to compensate for contrast variation in MR images. Current harmonization approaches either require cross-site traveling subjects for supervised training or heavily rely on site-specific harmonization models to encourage harmonization accuracy. These requirements potentially limit the application of current harmonization methods in large-scale multi-site studies. In this work, we propose an unsupervised MR harmonization framework, CALAMITI (Contrast Anatomy Learning and Analysis for MR Intensity Translation and Integration), based on information bottleneck theory. CALAMITI learns a disentangled latent space using a unified structure for multi-site harmonization without the need for traveling subjects. Our model is also able to adapt itself to harmonize MR images from a new site with fine tuning solely on images from the new site. Both qualitative and quantitative results show that the proposed method achieves superior performance compared with other unsupervised harmonization approaches.

研究动机与目标

• 解决因领域偏移导致的跨站点 MR 图像对比度差异问题，该问题会降低机器学习模型性能。
• 克服现有监督统一方法依赖移动受试者或跨站点成对数据的局限性。
• 开发一种无监督方法，可在不重新训练所有领域的情况下泛化至新站点。
• 仅通过在新站点数据上微调，实现对先前未见站点的领域自适应。
• 在不依赖站点特定判别器的前提下，对几何偏移保持鲁棒性并维持高图像质量。

提出的方法

• 提出 CALAMITI，一种基于信息瓶颈理论的统一框架，用于学习将领域不变解剖结构与领域特定的强度因素分离的解耦表征。
• 利用站点内 T1 和 T2 加权 MR 图像对进行监督以实现解耦，避免依赖跨站点成对数据。
• 集成一个解耦瓶颈模块，将潜在空间中的内容（解剖结构）与强度（对比度）因素分离。
• 采用共享编码器-解码器结构的循环一致性图像到图像翻译损失，以在各站点间强制一致性。
• 应用一种站点无关的判别器（β-判别器）以指导解耦并提升翻译保真度。
• 通过仅在新站点图像上微调模型，实现零样本领域自适应，无需在所有源领域上重新训练。

实验结果

研究问题

• RQ1 无监督 MR 统一方法是否可在无需跨站点成对数据的情况下实现最先进性能？
• RQ2 在多个站点上训练的统一模型，是否仅通过在新站点数据上微调即可泛化至此前未见过的新站点？
• RQ3 基于信息瓶颈理论的解耦表征学习是否能提升统一质量并减少几何偏移？
• RQ4 该模型是否可在不使用显式领域特定组件的前提下，保持在多样化 MR 对比度和扫描仪配置下的高保真度与一致性？
• RQ5 在多站点设置下，该方法与现有无监督统一基线在定量和定性方面相比如何？

主要发现

• CALAMITI 在所有测试的站点间统一任务中均达到最高的 SSIM 和 PSNR，平均 SSIM 为 0.8663 ± 0.0233（站点 D → C），PSNR 为 28.68 ± 1.28（站点 F → E），优于所有基线方法。
• 在新站点上微调后，模型在统一质量方面表现出显著提升，配对 Wilcoxon 符号秩检验的 p 值 < 0.001（N=420）。
• 在领域自适应实验中，SSIM 从 0.8729 ± 0.0301 提升至 0.8743 ± 0.0291（站点 C → D），PSNR 从 29.01 ± 1.07 提升至 29.41 ± 0.98，表明具有良好的适应能力。
• 视觉结果表明，该模型在多样化扫描仪对比度和站点间均能生成逼真且解剖结构一致的统一图像。
• 该方法无需在所有领域重新训练即可良好泛化至新站点，仅通过在单个站点数据上微调即可实现高质量结果。
• 该模型在统一多发性硬化患者白质病灶方面仍存在局限，表明若引入 FLAIR 对比度，可能进一步提升性能。