医学影像中的跨模态图像翻译：基于生成框架的方法
计算机视觉与模式识别
2026-05-14 v1 人工智能
摘要
医学图像到图像（I2I）翻译实现了虚拟扫描，即无需额外采集即可合成目标成像模态。尽管兴趣日益增长，但大多数方法仅针对2D切片，评估在不同实验设置下进行，且缺乏临床验证。本工作的首要贡献是对肿瘤学影像中3D I2I翻译方法的可重复、标准化比较评估，旨在标准化预处理、划分、推理和跨异构临床任务的多层次评估。在此框架下，我们在11个数据集上比较了7种生成模型：3种生成对抗网络（GAN：Pix2Pix、CycleGAN、SRGAN）和4种潜在生成模型（Latent Diffusion Model、Latent Diffusion Model+ControlNet、Brownian Bridge、Flow Matching），涵盖三个解剖区域（头颈、肺部、骨盆）和四种翻译方向（cone-beam CT到CT、MRI到CT、CT到PET、MRI T2加权到T2-FLAIR），总计进行77次实验，在统一的训练、推理和评估条件下进行。结果显示GAN在所有任务中均优于潜在生成模型，其中SRGAN实现了统计显著优势。我们的病灶级分析揭示，所有模型在小病灶方面都面临挑战，而在CT到PET合成中，模型在再现病灶形状方面比绝对摄取相关强度更可靠。我们还对17名医生（包括15名放射科医生）进行了视觉图灵测试，结果显示接近随机分类准确率（56.7%），表明合成体积与真实采集基本不可区分，同时暴露了定性指标与临床偏好之间的异质性。
引用
@article{arxiv.2605.13686,
title = {Cross Modality Image Translation In Medical Imaging Using Generative Frameworks},
author = {Giulia Romoli and Alessia Capoccia and Filippo Ruffini and Francesco Di Feola and Luca Boldrini and Arturo Chiti and Renato Cuocolo and Tugba Akinci D'Antonoli and Fatemeh Darvizeh and Marcello Di Pumpo and Bradley J. Erickson and Liu Fang and Deborah Fazzini and Paola Feraco and Fabrizia Gelardi and Francesco Gossetti and Ana Isabel Hernáiz Ferrer and Michail E. Klontzas and Seyedmehdi Payabvash and Katrine Riklund and Sara N. Strandberg and Valerio Guarrasi and Paolo Soda},
journal= {arXiv preprint arXiv:2605.13686},
year = {2026}
}