FlowLet : Synthèse conditionnelle d'IRM cérébrale 3D par appariement de flots d'ondelettes

Résumé

L'imagerie par résonance magnétique (IRM) cérébrale joue un rôle central dans l'étude du développement neurologique, du vieillissement et des pathologies. Une application clé est la prédiction de l'âge cérébral (BAP), qui estime l'âge biologique du cerveau d'un individu à partir de données IRM. Les modèles BAP efficaces nécessitent des ensembles de données volumineux, diversifiés et équilibrés en âge, alors que les ensembles de données IRM 3D existants présentent des biais démographiques, limitant l'équité et la généralisabilité. L'acquisition de nouvelles données est coûteuse et soumise à des contraintes éthiques, ce qui motive l'augmentation générative de données. Les méthodes génératives actuelles sont souvent basées sur des modèles de diffusion latente, qui opèrent dans des espaces latents de faible dimension appris pour répondre aux exigences mémoire des données IRM volumétriques. Cependant, ces méthodes sont généralement lentes lors de l'inférence, peuvent introduire des artefacts dus à la compression latente, et sont rarement conditionnées par l'âge, ce qui affecte les performances de la BAP. Dans ce travail, nous proposons FlowLet, un cadre génératif conditionnel qui synthétise des IRM 3D conditionnées par l'âge en exploitant le flow matching dans un domaine d'ondelettes 3D inversible, contribuant ainsi à éviter les artefacts de reconstruction et à réduire les besoins computationnels. Les expériences montrent que FlowLet génère des volumes de haute fidélité en peu d'étapes d'échantillonnage. L'entraînement de modèles BAP avec des données générées par FlowLet améliore les performances pour les groupes d'âge sous-représentés, et une analyse régionale confirme la préservation des structures anatomiques.

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.