用于三维医学图像到图像翻译的自适应隐扩散模型：多模态磁共振成像研究

多模态图像在医学图像分析的综合评估中起着关键作用，为识别临床重要生物标志物提供互补信息。然而在临床实践中，由于扫描成本、有限扫描时间以及安全性考量等原因，获取多种模态可能具有挑战性。本文提出一种基于隐扩散模型(latent diffusion model, LDM)的模型，利用可切换模块在无块裁剪的情况下进行三维医学图像到图像的翻译。该三维LDM结合使用目标模态的条件化，能够在三维中生成高质量目标模态，克服了二维生成方法中丢失切片外信息的缺点。所述可切换模块称为多可切换空间自适应归一化(multiple switchable spatially adaptive normalization, MS-SPADE)，可动态将源隐变量转换为目标隐变量所需风格，以辅助扩散过程。MS-SPADE模块使我们能够用单一模型处理一种源模态到多种目标的诸多翻译任务，无需针对不同场景使用多个翻译模型。我们的模型在多种源-目标模态场景下均展现出成功的图像合成，并在四个不同模态的多模态脑磁共振成像数据集及独立的IXI数据集的定量评估中超越其他模型。我们的模型展示了跨多种模态的成功图像合成，甚至支持一对多模态翻译，且在定量评估中优于其他一对一翻译模型。