MRecover：一種利用AI生成對比度恢復運動偽影MR影像的條件生成模型
MRecover是一種條件生成模型，透過將常規採集的T1w影像合成為TSE影像，並採用自迴歸切片條件化確保體積一致性，從而恢復運動偽影損壞的MR影像。該模型在7T MRI資料上訓練（n=577），在域內測試中表現高保真度（SSIM=0.84，FSIM=0.94），並良好泛化至3T資料。在ADNI3資料集中，經質量控制後，可分析受試者增加了31.8%（593 vs 450），並提高了海馬亞區萎縮診斷組間差異的效應量。
MRecover是一種創新的條件生成模型，旨在解決高解析度T2w渦輪自旋迴波（TSE）MRI掃描中因運動偽影導致的資料丟失問題。海馬亞區分割需要高解析度的T2w TSE MRI，但該序列容易受到運動偽影的影響，導致大量資料不可用。MRecover的獨特之處在於，它利用常規採集的T1w加權影像，透過自迴歸切片條件化技術生成逼真的TSE影像，從而在保持體積一致性的同時恢復運動偽影區域。
研究團隊使用7T MRI資料（n=577）對模型進行訓練，並在域內資料集（n=148）中驗證了其高保真度，結構相似性指數（SSIM）達到0.84，特徵相似性指數（FSIM）達到0.94。模型不僅在同質資料上表現優異，還展現出出色的泛化能力。在域外的3T資料（n=416）上，合成影像與原始影像的亞區體積高度相關（r=0.87-0.97），證明了其跨場強應用的潛力。此外，在受運動影響的ADNI3資料集中，經過質量控制後，可分析受試者數量從450人增加到593人，提升了31.8%，顯著減少了資料浪費。
更值得注意的是，透過增加樣本量，使用MRecover合成影像進行診斷時，海馬亞區萎縮的組間差異效應量顯著增大。例如，整個海馬的效應量（ε²）從0.086-0.062提升至0.121-0.100（左右半球），這增強了統計能力，有助於更敏感地檢測疾病相關的結構變化。MRecover不僅恢復了影像質量，還提升了後續分析的科學價值。
該研究由Jinghang Li等16位作者完成，論文發表於arXiv（編號2605.21669），並提供專案頁面（https://jinghangli98.github.io/MRecover/）供進一步參考。這一方法為運動偽影問題提供了一種有效的解決方案，有望在臨床和研究環境中改善神經影像學的可分析性和診斷精確性。