基于扩散与得分匹配模型的CT与MRI图像间转换
图像与视频处理
2022-10-03 v2 计算机视觉与模式识别
医学物理
摘要
MRI和CT是最广泛使用的医学成像模态。诊断和治疗（如放疗规划）常需获取多模态图像。然而，多模态成像不仅成本高昂，还会引入MRI与CT图像间的错位。为应对此挑战，计算转换是一种可行方法，尤其在MRI到CT图像间。本文提出在此场景下使用一种新兴深度学习框架，即扩散与得分匹配模型。具体地，我们调整去噪扩散概率模型与得分匹配模型，使用四种不同采样策略，并将其性能指标与卷积神经网络和生成对抗网络模型比较。结果表明扩散与得分匹配模型生成的合成CT图像优于CNN和GAN模型。此外，我们利用蒙特卡洛方法考察扩散与得分匹配网络的不确定性，并通过平均其蒙特卡洛输出改进结果。本研究提示扩散与得分匹配模型能够基于互补成像模态所得图像条件生成高质量图像，具有解析严谨性与清晰可解释性，并在图像合成上与CNN和GAN极具竞争力。
引用
@article{arxiv.2209.12104,
title = {Conversion Between CT and MRI Images Using Diffusion and Score-Matching Models},
author = {Qing Lyu and Ge Wang},
journal= {arXiv preprint arXiv:2209.12104},
year = {2022}
}