FlowLet: Conditionele synthese van 3D-hersen-MRI met Wavelet Flow Matching

Samenvatting

Magnetische Resonantiebeeldvorming van de hersenen (MRI) speelt een centrale rol bij het bestuderen van neurologische ontwikkeling, veroudering en ziekten. Een belangrijke toepassing is hersencleeftijdvoorspelling (BAP), die de biologische hersencleeftijd van een individu schat op basis van MRI-gegevens. Effectieve BAP-modellen vereisen grote, diverse en leeftijdsgebalanceerde datasets, terwijl bestaande 3D-MRI-datasets demografisch scheef zijn, wat de eerlijkheid en generaliseerbaarheid beperkt. Het verkrijgen van nieuwe gegevens is kostbaar en ethisch beperkt, wat generatieve data-augmentatie motiveert. Huidige generatieve methoden zijn vaak gebaseerd op latente diffusiemodellen, die werken in aangeleerde laagdimensionale latente ruimtes om aan de geheugeneisen van volumetrische MRI-gegevens te voldoen. Deze methoden zijn echter typisch traag bij inferentie, kunnen artefacten introduceren door latente compressie, en zijn zelden geconditioneerd op leeftijd, wat de BAP-prestaties beïnvloedt. In dit werk stellen we FlowLet voor, een conditioneel generatief raamwerk dat leeftijdgeconditioneerde 3D-MRI's synthetiseert door gebruik te maken van flow matching binnen een inverteerbaar 3D-waveletdomein, wat helpt reconstructieartefacten te vermijden en de rekenvereisten te verminderen. Experimenten tonen aan dat FlowLet volumes met hoge getrouwheid genereert met weinig bemonsteringsstappen. Het trainen van BAP-modellen met door FlowLet gegenereerde gegevens verbetert de prestaties voor ondervertegenwoordigde leeftijdsgroepen, en regio-gebaseerde analyse bevestigt het behoud van anatomische structuren.

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.