MRecover：AI生成コントラストを用いた動きにより劣化したMR画像の復元のための条件付き生成モデル
MRecoverは、ルーチンで取得されるT1w画像からTSE画像を合成する条件付き生成モデルであり、自己回帰スライス条件付けにより体積一貫性を保ちながら、動きアーチファクトで劣化した海馬サブフィールドセグメンテーションを復元する。7T MRIデータ（n=577）で訓練され、ドメイン内で高い忠実度（SSIM=0.84, FSIM=0.94）を達成し、3Tデータにも良好に汎化した。ADNI3データセットでは、品質管理後の分析可能な被験者数が31.8%増加し（593 vs 450）、海馬サブフィールド萎縮の診断群間差における効果量も向上した。
MRecoverは、高解像度T2wターボスピンエコー（TSE）MRIにおける動きアーチファクトによるデータ損失問題を解決するための革新的な条件付き生成モデルです。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T2w 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、多くのデータが使用できなくなります。このモデルの特長は、日常的に取得されるT1w画像を利用し、自己回帰スライス条件付け技術によって、体積一貫性を維持しつつ、動きで劣化した領域を復元したTSE画像を合成する点にあります。
研究チームは、7T MRIデータ（n=577）を用いてモデルを訓練し、ドメイン内データセット（n=148）において高い忠実度を確認しました。構造類似性指数（SSIM）は0.84、特徴類似性指数（FSIM）は0.94に達しました。また、モデルはドメイン外の3Tデータ（n=416）にも良好に汎化し、合成画像と元画像のサブフィールド体積の相関はr=0.87-0.97と高い値を示しました。動きの影響を受けたADNI3データセットでは、品質管理後の分析可能被験者数が450人から593人へと31.8%増加し、データの無駄を大幅に削減しました。
さらに重要なことに、サンプルサイズの増加により、MRecoverで合成した画像を用いた診断群間の海馬サブフィールド萎縮の差は、より大きな効果量を示しました。例えば、海馬全体の効果量（ε²）は、左半球と右半球でそれぞれ0.086-0.062から0.121-0.100に向上しました。これは、MRecoverが画質を回復するだけでなく、その後の統計解析の能力を向上させることを示しています。
本研究はJinghang Liを含む16名の著者によって行われ、論文はarXiv（番号2605.21669）に掲載され、プロジェクトページ（https://jinghangli98.github.io/MRecover/）で詳細が提供されています。この手法は、動きアーチファクト問題に対する効果的な解決策を提供し、臨床および研究環境における神経画像の分析可能性と診断精度を向上させることが期待されます。