基于循环自监督扩散的超低场到高场MRI合成
计算机视觉与模式识别
2025-10-16 v1
摘要
从低场MRI合成高质量图像具有重要潜力。低场MRI成本较低、更易获取且更安全，但 suffers from低分辨率和较差信噪比。这一合成过程可减少对高成本获取的依赖，并扩大数据可获得性。然而，合成高场MRI仍存在临床保真度差距。需要保留解剖学忠实性、增强细粒度结构细节，并弥合图像对比度中的领域差距。为此，我们提出了一种基于循环自监督扩散(CSS-Diff)框架，用于从真实低场MRI数据合成高场MRI。我们的核心思想是将基于扩散的合成重新表述为循环一致约束下进行。它在生成过程中强制执行解剖学保存，而不仅仅依赖成对的像素级监督。CSS-Diff框架进一步包含两种新颖过程。切片级间隙感知网络通过对比学习对异构性进行对齐。局部结构校正网络通过自重建掩码和扰动块来增强局部特征恢复。大量实验在跨场合成任务上表明我们方法有效，实现了最先进的性能（例如PSNR为31.80±2.70 dB，SSIM为0.943±0.102，LPIPS为0.0864±0.0689）。除了像素级保真度外，我们的方法还保留了与原始低场MRI相比的细粒度解剖结构（例如，左小脑白质误差从12.1%下降到2.1%，皮层从4.2%下降到3.7%）。总之，我们的CSS-Diff能够合成既在像素级可靠又在解剖学上一致的图像。
引用
@article{arxiv.2510.13735,
title = {Cyclic Self-Supervised Diffusion for Ultra Low-field to High-field MRI Synthesis},
author = {Zhenxuan Zhang and Peiyuan Jing and Zi Wang and Ula Briski and Coraline Beitone and Yue Yang and Yinzhe Wu and Fanwen Wang and Liutao Yang and Jiahao Huang and Zhifan Gao and Zhaolin Chen and Kh Tohidul Islam and Guang Yang and Peter J. Lally},
journal= {arXiv preprint arXiv:2510.13735},
year = {2025}
}