基于列感知和隐式 3D 条件扩散的双向乳腏图视图翻译

双视乳腏图，包括胸廓背视图（CC）和中后斜视（MLO）投影，提供了对于乳腺癌诊断至关重要的互补解剖视图。然而，在实际临床工作流程中，可能缺失、损坏或受损伤的一个视图会限制下游分析的有效性。视图间翻译有助于恢复缺失的视图并提高病灶对齐。与自然图像不同，乳腏图的此任务因 X射线投影中出现的大量非刚性变形和严重组织重叠而极具挑战性，这些因素遮蔽了像素级对应关系。本文提出了一种名为 Column-Aware and Implicit 3D Diffusion（CA3D-Diff）的新型双向乳腏图视图翻译框架，基于条件扩散模型。为解决跨视图结构错位问题，我们首先设计了一种列感知跨注意力机制，该机制利用解剖学上对应的区域倾向于在不同视图中位于相似列位置的几何特性。应用高斯衰减偏置以强化局部列间相关性同时抑制远距离错位。此外，我们引入一种隐式 3D 结构重建模块，基于乳腺视图投影几何，将噪声 2D 隐层反投影到粗糙的 3D 特征体积。重构的 3D 结构被细化并注入到去噪 UNet 中，以增强解剖感知性指导跨视图生成。广泛的实验表明，CA3D-Diff 在双向任务中表现优异， 在视觉保真度和结构一致性方面均优于最新方法。此外，合成的视图有效地提高了在筛查场景下的单视图恶性良性分类，展示了本方法在实际诊断中的实际价值。