面向三维跨模态 MRI 合成的循环引导去噪扩散概率模型
图像与视频处理
2023-05-02 v1 计算机视觉与模式识别
摘要
本研究旨在开发一种新颖的循环引导去噪扩散概率模型（CG-DDPM）用于跨模态 MRI 合成。CG-DDPM 部署两个相互条件化的 DDPM，以从两种不同 MRI 脉冲序列生成合成图像。两个 DDPM 在反向过程中交换随机潜噪声，有助于正则化两个 DDPM 并生成两模态中匹配的图像。这提升了图像到图像的翻译精度。我们在 BraTS2020 数据集上以平均绝对误差（MAE）、多尺度结构相似性指数测度（MSSIM）与峰值信噪比（PSNR）以及网络合成一致性对 CG-DDPM 进行定量评估。我们提出的方法对 MRI 合成展现出高精度与可靠一致性。此外，我们将 CG-DDPM 与若干其他最先进网络比较，并展示合成 MRI 图像质量在统计上显著的改进。所提方法增强了当前多模态 MRI 合成方法的能力，可通过合成额外 MRI 模态为患者更准确诊断与更佳治疗规划作出贡献。
引用
@article{arxiv.2305.00042,
title = {Cycle-guided Denoising Diffusion Probability Model for 3D Cross-modality MRI Synthesis},
author = {Shaoyan Pan and Chih-Wei Chang and Junbo Peng and Jiahan Zhang and Richard L. J. Qiu and Tonghe Wang and Justin Roper and Tian Liu and Hui Mao and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2305.00042},
year = {2023}
}