Разделить снимки мозга: где болезнь, а где искажение экспресс
Два снимка одного мозга, сделанные в разное время, похожи на фотографии одного дома до и после ремонта. Чтобы понять, что изменилось, их накладывают друг на друга и смотрят на различия. Но томограф — не идеальная камера: он сам добавляет искажения, будто снимок сделан через слегка неровное стекло. Раньше программы не различали, какие изменения настоящие, а какие — от аппарата.
Нейросеть DisMorph учится на полностью синтетических примерах, где заранее известно, какая часть искажения техническая, а какая — анатомическая. Затем она раскладывает различия между двумя снимками на два потока: один отвечает за помехи томографа, другой — за реальные изменения тканей. Такой подход напоминает работу реставратора, который отделяет трещины от старой краски, чтобы понять, что было на картине изначально.
На парах снимков пациентов с болезнью Альцгеймера метод выявлял изменения в структурах мозга, связанных с заболеванием, и одновременно указывал на остаточные искажения после стандартной коррекции. Это как если бы врач получил не один размытый снимок, а два чётких: один показывает сам мозг, другой — дефекты съёмки.
Такой подход открывает путь к более точным измерениям изменений мозга в клиниках, где аппараты и настройки не всегда одинаковы. Вместо того чтобы гадать, что на снимке — болезнь или артефакт, врач сможет видеть их по отдельности.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2608.08173v1
Longitudinal MRI enables sensitive measurement of structural brain change for studying aging and neurodegenerative disease. Deformable image registration is a key tool for estimating such change by computing a dense deformation that captures geometric differences between longitudinal scans. However, MRI scanners introduce geometric distortions that vary across acquisition systems and protocols, such as gradient non-linearity (GNL) distortion. Existing registration methods estimate a single field that conflates biological and technical effects, potentially biasing downstream morphometric measurements if distortions remain (partially) uncorrected. We propose $$\texttt{DisMorph}$$, a registration framework trained entirely on synthetic data that explicitly decomposes longitudinal deformation into technical and anatomical transforms. It predicts two dense deformations, each encoding one effect. During training, a novel generative model synthesizes both effects separately to provide disentanglement supervision, while domain randomization promotes generalization across imaging protocols. We evaluate our method in three complementary settings. On simulated data with known ground truth, our method detects anatomical change more accurately and consistently than conventional registration. On real image pairs that differ only by GNL distortion, our method assigns most geometric change to the distortion field, demonstrating specificity in the absence of anatomical change. On longitudinal Alzheimer's disease (AD) pairs, our method detects anatomical change in AD-related brain structures while identifying residual distortion left after standard correction. By disentangling MRI-induced distortion from biological change in the longitudinal deformation, our method paves the way for more accurate longitudinal morphometry in clinical settings where maintaining acquisition consistency is challenging.
Градиентная нелинейность — это искажение, при котором прямые линии на снимке выглядят изогнутыми, как отражение в кривом зеркале. Оно возникает из-за неидеальности магнитного поля томографа.
В сериале «Чёрное зеркало» есть эпизод, где воспоминания записывают и пересматривают, но техника искажает детали. DisMorph решает похожую задачу: отделяет технические помехи от реальных изменений, только для снимков мозга.