FlowLet: Условный синтез 3D МРТ головного мозга с использованием вейвлет-согласования потоков

Аннотация

Магнитно-резонансная томография (МРТ) головного мозга играет центральную роль в изучении неврологического развития, старения и заболеваний. Одним из ключевых применений является прогнозирование возраста мозга (ПВМ), которое оценивает биологический возраст мозга индивида по данным МРТ. Эффективные модели ПВМ требуют больших, разнообразных и сбалансированных по возрасту наборов данных, тогда как существующие трехмерные МРТ-наборы данных являются демографически несбалансированными, что ограничивает справедливость и обобщаемость. Получение новых данных связано с высокими затратами и этическими ограничениями, что мотивирует использование генеративного увеличения данных. Современные генеративные методы часто основаны на латентных диффузионных моделях, которые работают в обученных низкоразмерных латентных пространствах для решения проблем с памятью при обработке объемных МРТ-данных. Однако такие методы обычно медленны на этапе вывода, могут вносить артефакты из-за латентного сжатия и редко обусловлены возрастом, что влияет на производительность ПВМ. В данной работе мы предлагаем FlowLet — условную генеративную структуру, которая синтезирует трехмерные МРТ-изображения, обусловленные возрастом, путем использования согласования потоков в обратимой трехмерной вейвлет-области, что помогает избежать артефактов реконструкции и снижает вычислительные затраты. Эксперименты показывают, что FlowLet генерирует высокодетализированные объемы за малое количество шагов сэмплирования. Обучение моделей ПВМ на данных, сгенерированных FlowLet, улучшает производительность для недостаточно представленных возрастных групп, а региональный анализ подтверждает сохранение анатомических структур.

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.