Neues 3D-MRI-Modell: Diffusion-Modelle erzeugen realistische Gehirnbilder

In einer wegweisenden Studie wurden drei Denoising Diffusion Probabilistic Models (DDPMs) entwickelt, die 3‑D‑T1‑gewichtete Gehirnbilder erzeugen können. Die Modelle wurden mit 80 675 Volumen aus 42 406 Probanden trainiert, die aus 38 öffentlich zugänglichen Datensätzen stammen.

Die Bilder wurden nur minimal vorverarbeitet – keine Registrierung, keine Bias‑Field‑Korrektur und kein Schädel‑Strippen. Dadurch bleibt die natürliche Variabilität der Daten erhalten, was die Modelle besonders für die Erzeugung realistischer, variabler Gehirnbilder prädestiniert.

Die Bewertung erfolgte anhand von Segmentierung, dem Frechet Inception Distance (FID) und einer qualitativen Analyse. Alle drei Modelle lieferten zusammenhängende, glaubwürdige Gehirnvolumen. Die Velocity‑ und Flow‑Prediction‑Modelle erzielten dabei niedrigere FID‑Werte als das Sample‑Prediction‑Modell, lagen jedoch immer noch über den FID‑Werten echter Bilder.

Ein Permutationsversuch zeigte, dass die regionalen Volumenverteilungen der generierten Gehirne statistisch von echten Daten abweichen. Die Velocity‑ und Flow‑Modelle wiesen jedoch weniger signifikante Unterschiede in Thalamus und Putamen auf.

Die Arbeit stellt das erste 3‑D‑non‑latent Diffusion‑Modell für Gehirn‑MRI ohne Schädel‑Strippen oder Registrierung vor. Trotz der noch bestehenden statistischen Unterschiede liefert das Modell einen wichtigen Schritt in Richtung realistischer, variabler KI‑generierter Gehirnbilder.