arXiv cs.AI· Qinghui Liu, Jon Andr\'e Ottesen, Thu Nguyen, Geir Ringstad, Ingrid Mossige, Siri Fl{\o}gstad Svensson, Atle Bj{\o}rnerud, Per Kristian Eide, Kyrre Eeg Emblem·· 3 天前AI 评分21
从平扫 MRI 预测脑内示踪剂分布：直接回归与流匹配的对比
Forecasting Brain Tracer Distribution from Pre-Contrast MRI: A Comparison of Direct Regression and Flow Matching
AI 导读
研究用 104 例训练患者（878 个 MRI 体积）比较直接图像到图像回归模型与基于条件流匹配的生成模型，预测鞘内注射示踪剂在脑内的后期分布。直接模型在 23 例留出患者和 51 例特发性正常压力脑积水（INPH）队列中，将"直接复制平扫图像"的误差分别降低约 60% 和 25%，且预测变化图与观察到的示踪剂强化一致；生成模型在两个队列中精度均更低。
正文 · AI 翻译
摘要：鞘内对比增强 MRI 可显示注入脑脊液的示踪剂如何在脑内扩散，但需要在 24--48\,h 内重复扫描。因此我们提出：仅凭对比前扫描和经过时间，能预测出多少后期示踪剂分布？我们使用 104 名训练患者（878 个 MRI 体积），将直接的图像到图像回归模型与基于条件流匹配的更复杂生成模型进行比较，并在 23 名留出患者和来自另一队列的 51 名特发性正常压力脑积水（INPH）患者上测试两者。直接模型将简单复制对比前扫描的误差在留出患者中降低约 60\%，在 INPH 队列中降低 25\%，且其预测的变化图与观察到的示踪剂增强一致，而不仅仅是再现解剖结构。生成模型在两个队列中都不太准确。因此，后期示踪剂分布的很大一部分可从对比前 MRI 所见的患者脑解剖结构中预测，而增加的模型复杂度在此数据规模下没有带来益处。经过前瞻性验证，此类预测可用于研究鞘内治疗中的患者分层和治疗计划。
| 评论： | 31 页，13 幅图，6 张表 |
| 主题： | 图像与视频处理（eess.IV）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；机器学习（cs.LG） |
| 引用为： | arXiv:2609.22377 [eess.IV] |
| （或 arXiv:2609.22377v2 [eess.IV] 为此版本） | |
| https://doi.org/10.48550/arXiv.2609.22377 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Qinghui Liu [查看电子邮件]
[v1]
2026 年 9 月 17 日星期四 20:49:59 UTC（10,692 KB）
[v2]
2026 年 10 月 13 日星期二 09:40:23 UTC（11,682 KB）
来源：arXiv cs.AI · arxiv.org