扩散模型能否弥合心脏 MR 成像中的领域差距？
计算机视觉与模式识别
2025-08-11 v1
摘要
磁共振成像，包括心脏 MR 成像，因成像设备和获取协议的差异容易出现领域迁移。这一挑战限制了在现实场景中部署训练好的 AI 模型的能力，而性能会在不可见的领域上出现下降。传统解决方案通过增加数据集规模来实现图像增强或额外的在线训练/迁移学习，但存在若干局限性。合成数据作为一种有前景的替代方案，但解剖/结构一致性约束限制了生成模型在创建图像-标签对时效果的有效性。为此，我们提出一种在源领域上训练的扩散模型（Diffusion Model），生成与给定参考相似的合成心脏 MR 图像。合成数据保持空间和结构保真度，确保与源领域相似且与分割掩码兼容。我们采用 2D nnU-Net、3D nnU-Net 和 vanilla U-Net 分割网络，评估该生成方法在多中心心脏 MR 分割中的实用性。我们探讨了领域泛化（domain-invariant 分割模型在合成源领域数据上训练）和领域适应（使用扩散模型将目标领域数据迁移至源领域）两种策略。相较于仅使用真实数据训练分割模型，两种策略在基于表面度量（Welch's t 检验，p < 0.01）方面显著提升了在不可见目标领域数据上的分割性能。该方法缓解了在心脏 MR 图像分析中应对领域迁移挑战对迁移学习或在线训练需求，尤其适用于数据稀缺的场景。
引用
@article{arxiv.2508.06327,
title = {Can Diffusion Models Bridge the Domain Gap in Cardiac MR Imaging?},
author = {Xin Ci Wong and Duygu Sarikaya and Kieran Zucker and Marc De Kamps and Nishant Ravikumar},
journal= {arXiv preprint arXiv:2508.06327},
year = {2025}
}
备注
ICONIP 2025