基准测试GAN、扩散模型与流匹配在T1w-to-T2w MRI翻译中的性能
计算机视觉与模式识别
2025-07-22 v1 人工智能
摘要
磁共振成像(MRI)可获取多种图像对比度,如T1加权(T1w)和T2加权(T2w)扫描,各自提供独特的诊断信息。然而获取所有所需模态会增加扫描时间和成本,因此催生了计算方法用于跨模态合成以减少获取时间的研究。图像到图像(I2I)翻译为实现此目标的有前景的框架。本文对近期方法进行全面基准测试,具体包括生成对抗网络(GAN)、扩散模型和流匹配(FM)技术,用于T1w-to-T2w 2D MRI I2I翻译。所有框架均采用可比设置并在健康成年人群的三个公开MRI数据集上进行评估。我们的定量和定性分析表明,GAN-based Pix2Pix模型在结构保真度、图像质量和计算效率方面优于扩散和FM-based方法。与现有文献一致,这些结果表明流基模型在小数据集和简单任务上易产生过拟合,需要更多数据才能匹配或超越GAN性能。这些发现为实际MRI工作流程中部署I2I翻译技术提供了实用指导,并为跨模态医学图像合成的未来研究指明了前景方向。代码和模型已公开于https://github.com/AndreaMoschetto/medical-I2I-benchmark。
引用
@article{arxiv.2507.14575,
title = {Benchmarking GANs, Diffusion Models, and Flow Matching for T1w-to-T2w MRI Translation},
author = {Andrea Moschetto and Lemuel Puglisi and Alec Sargood and Pierluigi Dell'Acqua and Francesco Guarnera and Sebastiano Battiato and Daniele Ravì},
journal= {arXiv preprint arXiv:2507.14575},
year = {2025}
}