FlowLet: Síntesis condicional de IRM cerebral 3D mediante Wavelet Flow Matching

Resumen

La resonancia magnética (RM) cerebral desempeña un papel central en el estudio del desarrollo neurológico, el envejecimiento y las enfermedades. Una aplicación clave es la Predicción de la Edad Cerebral (Brain Age Prediction, BAP), que estima la edad cerebral biológica de un individuo a partir de datos de RM. Los modelos eficaces de BAP requieren conjuntos de datos grandes, diversos y equilibrados en cuanto a la edad, mientras que los conjuntos de datos de RM 3D existentes presentan sesgos demográficos, lo que limita la equidad y la generalizabilidad. Adquirir nuevos datos es costoso y está sujeto a restricciones éticas, lo que motiva el uso de aumento de datos generativo. Los métodos generativos actuales se basan a menudo en modelos de difusión latente, que operan en espacios latentes de baja dimensión aprendidos para abordar las demandas de memoria de los datos de RM volumétricos. Sin embargo, estos métodos suelen ser lentos en la inferencia, pueden introducir artefactos debido a la compresión latente y rara vez están condicionados por la edad, lo que afecta el rendimiento de BAP. En este trabajo, proponemos FlowLet, un marco generativo condicional que sintetiza RM 3D condicionadas por la edad aprovechando el emparejamiento de flujo (flow matching) dentro de un dominio de wavelets 3D invertible, lo que ayuda a evitar artefactos de reconstrucción y reduce las demandas computacionales. Los experimentos muestran que FlowLet genera volúmenes de alta fidelidad con pocos pasos de muestreo. El entrenamiento de modelos BAP con datos generados por FlowLet mejora el rendimiento para grupos de edad subrepresentados, y el análisis basado en regiones confirma la preservación de las estructuras anatómicas.

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.