CoCoLIT：基于ControlNet条件的MRI到Amyloid PET潜在图像翻译
图像与视频处理
2025-11-12 v2 人工智能
计算机视觉与模式识别
摘要
从更广泛可用且可及的结构MRI模态生成斑变PET扫描，为大规模阿尔茨海默病（AD）筛查提供了有前景的、具有成本效益的方法。这一动机源于证据表明，尽管MRI并不直接检测斑变病理，但可能编码与斑变沉积相关的信息，通过高级建模可被揭示。然而，3D神经影像数据的高维度和结构复杂性为现有MRI到PET翻译方法带来了显著挑战。在潜在空间中建模跨模态关系可简化学习任务，促进更有效的翻译。鉴于此，我们提出CoCoLIT（ControlNet条件化潜在图像翻译），一种基于扩散的潜在生成框架，包含三个主要创新：（1）一种新型加权图像空间损失（WISL），改进潜在表征学习和合成质量；（2）对潜在平均值稳定（LAS）技术的理论与实证分析，这是一种用于增强推理一致性的现有技术；（3）引入基于ControlNet的条件化，用于MRI到PET翻译。我们在公开数据集上评估了CoCoLIT的性能，发现该模型在图像指标和斑变相关指标上均显著优于最先进的方法。值得注意的是，在斑变阳性分类中，CoCoLIT分别在内部数据集和外部数据集上分别比第二好的方法提升了+10.5%和+23.7%。我们的方法的代码和模型已提供于https://github.com/brAIn-science/CoCoLIT。
引用
@article{arxiv.2508.01292,
title = {CoCoLIT: ControlNet-Conditioned Latent Image Translation for MRI to Amyloid PET Synthesis},
author = {Alec Sargood and Lemuel Puglisi and James H. Cole and Neil P. Oxtoby and Daniele Ravì and Daniel C. Alexander},
journal= {arXiv preprint arXiv:2508.01292},
year = {2025}
}
备注
Article accepted at AAAI-2026