.png){kind=icon}
返回
Harmonizing flows: Leveraging normalizing flows for unsupervised and source-free MRI harmonization
.png){kind=icon}
OA
AI
DOI：10.1016/j.media.2025.103483.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
缺乏磁共振（MR）图像采集的标准化和各种内在参数，导致不同站点和设备间的图像异质性，从而对深度神经网络的可推广性产生不利影响。为缓解此问题，本研究提出了一种新颖的无监督调和框架，利用归一化流对齐MR图像，从而模拟源域的分布。所提出的策略包含三个关键步骤。首先，训练一个归一化流网络以捕捉源域的分布特征。然后，我们训练一个浅层调和网络，通过其增强对应图像来重建源域图像。最后，在推理阶段，更新调和网络以确保输出图像符合由归一化流网络建模的所学源域分布。我们的方法是无监督、无源且任务无关的，在成人及新生儿跨域脑MRI分割以及新生儿脑龄估计的背景下进行评估，展示了其跨任务和人群特征的通用性。结果表明，其性能优于现有方法。代码可在https://github.com/farzad-bz/Harmonizing-Flows获取。
Keyword:
MRI harmonization
Normalizing flows
Test-time adaptation
Brain MRI
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
11.8
论文数:
3.9K
被引数:
2.4W
机构
引用论文
Open access series of imaging studies (OASIS): Cross-sectional MRI data in young, middle aged, nondemented, and demented older adults开放获取系列影像学研究 (OASIS): 年轻，中年，非痴呆和痴呆老年人的横断面MRI数据OAAI
OAAI分享收藏分享收藏ImUnity: A generalizable VAE-GAN solution for multicenter MR image harmonization.png)
MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏分享收藏The Use of Ranks to Avoid the Assumption of Normality Implicit in the Analysis of Variance使用秩来避免方差分析中隐含的正态性假设
PREAI
分享收藏分享收藏
查看更多内容