MRecover：一种利用AI生成对比度恢复运动伪影MR图像的条件生成模型
MRecover是一种条件生成模型，通过将常规采集的T1w图像合成为TSE图像，并采用自回归切片条件化确保体积一致性，从而恢复运动伪影损坏的MR图像。该模型在7T MRI数据上训练（n=577），在域内测试中表现高保真度（SSIM=0.84，FSIM=0.94），并良好泛化至3T数据。在ADNI3数据集中，经质量控制后，可分析受试者增加了31.8%（593 vs 450），并提高了海马亚区萎缩诊断组间差异的效应量。
MRecover是一种创新的条件生成模型，旨在解决高分辨率T2w涡轮自旋回波（TSE）MRI扫描中因运动伪影导致的数据丢失问题。海马亚区分割需要高分辨率的T2w TSE MRI，但该序列容易受到运动伪影的影响，导致大量数据不可用。MRecover的独特之处在于，它利用常规采集的T1w加权图像，通过自回归切片条件化技术生成逼真的TSE图像，从而在保持体积一致性的同时恢复运动伪影区域。
研究团队使用7T MRI数据（n=577）对模型进行训练，并在域内数据集（n=148）中验证了其高保真度，结构相似性指数（SSIM）达到0.84，特征相似性指数（FSIM）达到0.94。模型不仅在同质数据上表现优异，还展现出出色的泛化能力。在域外的3T数据（n=416）上，合成图像与原始图像的亚区体积高度相关（r=0.87-0.97），证明了其跨场强应用的潜力。此外，在受运动影响的ADNI3数据集中，经过质量控制后，可分析受试者数量从450人增加到593人，提升了31.8%，显著减少了数据浪费。
更值得注意的是，通过增加样本量，使用MRecover合成图像进行诊断时，海马亚区萎缩的组间差异效应量显著增大。例如，整个海马的效应量（ε²）从0.086-0.062提升至0.121-0.100（左右半球），这增强了统计能力，有助于更敏感地检测疾病相关的结构变化。MRecover不仅恢复了图像质量，还提升了后续分析的科学价值。
该研究由Jinghang Li等16位作者完成，论文发表于arXiv（编号2605.21669），并提供项目页面（https://jinghangli98.github.io/MRecover/）供进一步参考。这一方法为运动伪影问题提供了一种有效的解决方案，有望在临床和研究环境中改善神经影像学的可分析性和诊断精确性。