FlowLet: Bedingte 3D-Gehirn-MRT-Synthese mittels Wavelet Flow Matching

Zusammenfassung

Die Magnetresonanztomographie (MRT) des Gehirns spielt eine zentrale Rolle bei der Untersuchung der neurologischen Entwicklung, des Alterns und von Krankheiten. Eine wichtige Anwendung ist die Vorhersage des Hirnalters (Brain Age Prediction, BAP), bei der anhand von MRT-Daten das biologische Hirnalter einer Person geschätzt wird. Effektive BAP-Modelle erfordern große, diverse und altersausgewogene Datensätze, während bestehende 3D-MRT-Datensätze demografisch verzerrt sind, was Fairness und Generalisierbarkeit einschränkt. Die Erhebung neuer Daten ist kostspielig und ethisch limitiert, was generative Datenaugmentation motiviert. Aktuelle generative Methoden basieren oft auf latenten Diffusionsmodellen, die in erlernten niedrigdimensionalen latenten Räumen arbeiten, um den Speicherbedarf volumetrischer MRT-Daten zu bewältigen. Diese Methoden sind jedoch meist rechenintensiv bei der Inferenz, können aufgrund latenter Kompression Artefakte einführen und werden selten auf das Alter konditioniert, was die BAP-Leistung beeinträchtigt. In dieser Arbeit schlagen wir FlowLet vor, ein konditioniertes generatives Framework, das alterskonditionierte 3D-MRTs synthetisiert, indem es Flussabgleich (Flow Matching) in einer invertierbaren 3D-Wavelet-Domäne nutzt, was Rekonstruktionsartefakte vermeidet und den Rechenaufwand reduziert. Experimente zeigen, dass FlowLet mit wenigen Abtastschritten hochtreue Volumina erzeugt. Das Training von BAP-Modellen mit von FlowLet generierten Daten verbessert die Leistung für unterrepräsentierte Altersgruppen, und eine regionsbasierte Analyse bestätigt die Erhaltung anatomischer Strukturen.

English

Brain Magnetic Resonance Imaging (MRI) plays a central role in studying neurological development, aging, and diseases. One key application is Brain Age Prediction (BAP), which estimates an individual's biological brain age from MRI data. Effective BAP models require large, diverse, and age-balanced datasets, whereas existing 3D MRI datasets are demographically skewed, limiting fairness and generalizability. Acquiring new data is costly and ethically constrained, motivating generative data augmentation. Current generative methods are often based on latent diffusion models, which operate in learned low dimensional latent spaces to address the memory demands of volumetric MRI data. However, these methods are typically slow at inference, may introduce artifacts due to latent compression, and are rarely conditioned on age, thereby affecting the BAP performance. In this work, we propose FlowLet, a conditional generative framework that synthesizes age-conditioned 3D MRIs by leveraging flow matching within an invertible 3D wavelet domain, helping to avoid reconstruction artifacts and reducing computational demands. Experiments show that FlowLet generates high-fidelity volumes with few sampling steps. Training BAP models with data generated by FlowLet improves performance for underrepresented age groups, and region-based analysis confirms preservation of anatomical structures.