技术摘要：AnaDiffusion

问题陈述

高保真度 3D 脑部 MRI 生成对于医学成像、模拟和解剖分析至关重要，然而现有的生成模型面临显著的局限性。目前的尖端方法（包括 GAN 和单体式潜在扩散模型 LDM）通常将 3D 体积作为一个单一且纠缠的整体进行合成。这种“单体式”策略往往忽略了区域解剖结构，导致局部失效，例如组织界面模糊、皮层拓扑不一致以及左右半球间的不自然不对称。此外，依赖分割掩码进行条件控制的方法在推理阶段需要针对特定受试者的密集标注，这限制了其在实际应用中的效用。核心挑战在于如何生成既能保持全局连贯性，又能同时保留细粒度、特定区域解剖细节，并且允许在无需生成过程中使用外部分割图的情况下进行可控编辑的脑部体积。

方法论：AnaDiffusion

作者提出了 AnaDiffusion，一种解剖成分化的潜在扩散框架，它通过将生成过程分解为不同的、具有解剖学意义的区域，然后再将它们组装成一个整体。该框架通过涉及三个主要阶段的“从局部到整体”策略运行：

1. 解剖部分分解

大脑根据神经解剖结构被分解为三个粗略的解剖部分：

• 左半球 ($Hemi_L$)
• 右半球 ($Hemi_R$)
• 小脑-脑干复合体 ($CB$)

脑脊液 (CSF) 被排除在这些部分之外，因为它是一个流体室而非独立的结构。在训练期间，部分体积是使用由 SynthSeg 生成的掩码提取并裁剪为固定边界框的。至关重要的是，这些掩码仅在离线阶段用于构建训练数据；在推理阶段，它们并不作为条件输入提供给扩散模型。

2. 局部解剖先验（部分模型）

该框架为每个解剖部分训练单独的潜在扩散模型，以捕捉局部结构先验：

• 半球规范化： 为了解决双侧对称性并允许侧向差异，模型在两个经过翻转至左向规范坐标系的左半球和右半球上训练单个半球 LDM。该模型通过侧向指示器 ($y \in \{0, 1\}$) 进行条件化，以区分左侧和右侧。
• 特定部分的自编码器： 每个部分（半球和 CB）都有各自的自编码器和扩散先验，使模型能够为每个区域特定的形态复杂性投入生成能力。

3. 从局部到整体的潜在支架与细化

核心创新在于将这些部分整合进全局体积的过程，且无需在推理时需要特定受试者的分割：

• 组装： 生成的部分资产被组装在图像空间中的“支架” ($x_{scaf}$) 中，省略了 CSF 和背景。
• 潜在注入： 该支架通过全脑编码器被重新编码到全脑潜在空间 ($z_{scaf}^0$) 中。
• 细化训练： 全脑去噪器被训练为从注入的潜在状态恢复反向采样。在特定的时间步 $t_{inj}$，支架潜在变量通过掩码 $m$ 被注入到全局潜在轨迹 ($z_{inj}$) 中：
  $$z_{inj} = (1 - m) \odot z_{tgt} + m \odot z_{scaf}$$
  随后，全脑去噪器继续去噪过程，以使注入的部分与周围环境（例如合成 CSF 和平滑边界）相协调。
• 推理模式：
  • 无条件生成： 模型生成各部分，组装它们，然后细化整体。
  • 可控部分编辑： 可以用其他生成的部件替换特定的部分资产。修改后的集合被重新组装、重新编码、注入并细化，从而实现局部编辑，同时保留非目标解剖结构。

核心贡献

1. 成分化框架： AnaDiffusion 引入了一个将 3D 脑部 MRI 合成分解为解剖部分和全脑潜在集成过程的框架，超越了单体式体积生成的范式。
2. 从局部到整体的细化： 该方法提出了一种潜在细化机制，将独立生成的各部分整合进一个连贯的全脑体积中。这支持了可控的部分替换，同时保持了全局一致性，并避免了在推理阶段需要密集的分割图。
3. 对称感知半球生成器： 设计了一个带有规范化权重共享和侧向指示器条件的半球生成器，以促进解剖一致的左右生成，同时提高数据效率。
4. 推理时控制： 该系统实现了局部的部分替换和成分化细化，且在推理阶段不需要受试者特定的密集分割图。

实验结果

模型在来自阿尔茨海默病神经影像学计划 (ADNI) 数据集的受试者不相交划分（包含来自 407 名受试者的 1,735 个扫描件）上进行了评估。

• 分布保真度 (FID)： 与七种基准模型（包括 VAE-GAN、HA-GAN、标准 LDM、ControlNet 和 MorphLDM）相比，AnaDiffusion 在全脑、左半球、右半球、小脑-脑干复合体以及缝隙区域均实现了最低的 Fréchet Inception Distance (FID)。
• 解剖合理性 (Cohen's $|d|$)： 该方法在小脑方面取得了最佳的绝对 Cohen's $d$ 值，在脑室和脑干方面取得了第二佳的结果，表明其与真实解剖体积分布的对齐度更高。
• 可控编辑： 在局部编辑实验中，与基于分割条件的基准模型相比，AnaDiffusion 展示了显著更高的目标转移（保留插入的部分），同时保持了高水平的非目标保留（非编辑区域的稳定性）。
• 消融研究：
  • 移除潜在注入会显著降低性能，证实了支架对于局部保真度的必要性。
  • 使用独立的左右半球模型显示出一种权衡：虽然左半球 FID 更好，但右半球和全脑 FID 较差，这表明共享的规范化策略提供了更好的样本效率和正则化。
  • 注入时机 ($r_{inj}$) 至关重要；适中的剩余去噪步数允许实现最佳的缝隙协调，而不会削弱注入的结构。

重要性与主张

论文声称 AnaDiffusion 弥合了局部解剖可控性与全局大脑完整性之间的鸿沟。通过显式地生成解剖部分资产并细化其组装后的支架，该模型将脑部生成模型的输出从静态体积转变为具有可重用和可编辑组件的连贯样本。

作者强调，这种方法在处理部分敏感的分布质量和界面连贯性方面优于强基准模型。一个关键的实际意义在于，它可以进行可控的部分编辑并生成高保真体积，且在推理阶段不需要受试者特定的密集分割图，解决了临床应用中此类标注往往难以获取的主要瓶颈。这项工作表明，将大脑合成视为一个成分化问题而非单体式问题，对于捕捉人类大脑的空间异质性和结构依赖性至关重要。

承认的局限性： 作者指出，多阶段设计增加了训练和推理的复杂度。目前的固定解剖分解无法完全解决更广泛的组织级校准问题，并假设与 MNI152 模板存在近似对应关系，这在存在质量效应或边界位移的严重病理情况下可能并不成立。未来的工作拟探索自适应分解和基于区域的细化方案。