海馬サブフィールドのセグメンテーションには高解像度のT2強調ターボスピンエコー（TSE）MRIが必要ですが、このシーケンスは動きアーチファクトの影響を受けやすく、大量のデータ損失が生じます。この問題を解決するため、研究チームはMRecoverという条件付き生成モデルを開発しました。このモデルは、通常取得されるT1強調画像をTSE画像に合成することで、動きの影響を受けたスキャンを「復元」します。
MRecoverの核心的な革新は、自己回帰スライス条件付けを用いて生成されるボリュームのスライス間の一貫性を保証することです。モデルは7T MRIデータ（n=577）で訓練され、ドメイン内テストセット（n=148）で高い忠実度を達成しました。構造類似性指数（SSIM）は0.84、特徴類似性指数（FSIM）は0.94に達し、生成されたTSE画像が実際に取得された画像と構造的・特徴的に非常に類似していることを示しています。
モデルの汎化能力を評価するため、研究者らはMRecoverをドメイン外の3Tデータに適用しました。その結果、合成画像と実際に取得された画像から抽出された海馬サブフィールド体積は高度に相関していました（n=416、r=0.87-0.97）。さらに重要なことに、動きの影響を受けたADNI3データセットでは、品質管理後に分析可能な被験者が31.8%増加しました（450から593へ）。これは、動きアーチファクトのために以前は破棄されていたデータの多くが救済されたことを意味します。
さらに、合成画像には副次的な利点もあります。分析可能なサンプルサイズが増加したことで、海馬サブフィールド萎縮における診断群間差の効果量が大きくなりました。具体的には、海馬全体の効果量（ε²）は0.086-0.062（左右半球）から0.121-0.100に向上しました。これは、MRecoverがデータを復元するだけでなく、統計的検出力を高め、疾患に関連する脳構造変化をより確実に検出するのに役立つことを示しています。
この研究はJinghang Liら15名の著者によって2026年5月20日に提出され、論文番号arXiv:2605.21669として、コンピュータビジョンとパターン認識（cs.CV）および人工知能（cs.AI）の分野に分類されています。プロジェクトページでは詳細と例が公開されています。