Cas-DiffCom：用于婴儿纵向超分辨率三维医学图像补全的级联扩散模型
图像与视频处理
2024-02-22 v1 计算机视觉与模式识别
机器学习
摘要
婴儿早期是行为和神经认知快速且动态的神经发育时期。纵向磁共振成像（MRI）是研究这一关键阶段的有效工具，它能够捕捉大脑结构的发育轨迹。然而，由于参与者流失和扫描失败，纵向 MRI 采集总是面临严重的数据缺失问题，使得婴儿大脑图谱构建和发育轨迹描绘极具挑战性。得益于基于 AI 的生成模型的发展，神经图像补全已成为尽可能保留可用数据的强大技术。然而，当前的图像补全方法通常在时间维度上存在每个个体内部的不一致性，从而损害了整体质量。为了解决这个问题，本文提出了一种两阶段级联扩散模型 Cas-DiffCom，用于密集的纵向三维婴儿大脑 MRI 补全与超分辨率。我们将所提出的方法应用于 Baby Connectome Project（BCP）数据集。实验结果验证了 Cas-DiffCom 在纵向婴儿大脑图像补全中实现了个体一致性与高保真度。我们进一步将生成的婴儿大脑图像应用于两个下游任务，即脑组织分割和发育轨迹描绘，以展示其在神经科学领域的任务导向潜力。
引用
@article{arxiv.2402.13776,
title = {Cas-DiffCom: Cascaded diffusion model for infant longitudinal super-resolution 3D medical image completion},
author = {Lianghu Guo and Tianli Tao and Xinyi Cai and Zihao Zhu and Jiawei Huang and Lixuan Zhu and Zhuoyang Gu and Haifeng Tang and Rui Zhou and Siyan Han and Yan Liang and Qing Yang and Dinggang Shen and Han Zhang},
journal= {arXiv preprint arXiv:2402.13776},
year = {2024}
}