FlowLet: Síntese Condicional de RM Cerebral 3D usando Correspondência de Fluxo Wavelet

Resumo

A Ressonância Magnética (RM) do cérebro desempenha um papel central no estudo do desenvolvimento neurológico, envelhecimento e doenças. Uma aplicação fundamental é a Predição de Idade Cerebral (PIC), que estima a idade cerebral biológica de um indivíduo a partir de dados de RM. Modelos eficazes de PIC exigem conjuntos de dados grandes, diversos e balanceados por idade, enquanto os conjuntos de dados de RM 3D existentes são demograficamente enviesados, limitando a equidade e a generalizabilidade. A aquisição de novos dados é cara e eticamente restrita, motivando a aumento de dados generativo. Os métodos generativos atuais são frequentemente baseados em modelos de difusão latente, que operam em espaços latentes de baixa dimensão aprendidos para lidar com as demandas de memória dos dados volumétricos de RM. No entanto, esses métodos são tipicamente lentos na inferência, podem introduzir artefatos devido à compressão latente e raramente são condicionados à idade, afetando assim o desempenho da PIC. Neste trabalho, propomos o FlowLet, uma estrutura generativa condicional que sintetiza RMs 3D condicionadas à idade, utilizando correspondência de fluxo dentro de um domínio de wavelets 3D invertível, ajudando a evitar artefatos de reconstrução e reduzindo as demandas computacionais. Experimentos mostram que o FlowLet gera volumes de alta fidelidade com poucas etapas de amostragem. O treinamento de modelos de PIC com dados gerados pelo FlowLet melhora o desempenho para grupos etários sub-representados, e a análise baseada em regiões confirma a preservação das estruturas anatômicas.

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.