DisC-Diff：面向多对比度 MRI 超分辨率的解耦条件扩散模型
图像与视频处理
2023-06-08 v2 计算机视觉与模式识别
摘要
多对比度磁共振成像（MRI）是基于脑组织对比度表征神经系统疾病最常用的管理工具。然而，获取高分辨率 MRI 扫描耗时且在某些条件下不可行。因此，多对比度超分辨率方法被开发出来，通过利用多对比度 MRI 的互补信息来改善低分辨率对比度的质量。当前基于深度学习的超分辨率方法在估计复原不确定性和避免模式崩溃方面存在局限。尽管扩散模型已成为图像增强的一种有前景的方法，但捕捉多对比度 MRI 超分辨率所引入的多个条件之间的复杂交互，对临床应用而言仍是一项挑战。本文中，我们提出一种解耦条件扩散模型 DisC-Diff，用于多对比度脑 MRI 超分辨率。它利用扩散模型基于采样的生成方式和简单目标函数，有效估计复原中的不确定性并保证稳定的优化过程。此外，DisC-Diff 采用解耦多流网络充分挖掘多对比度 MRI 的互补信息，在多对比度输入的多个条件下提升模型可解释性。我们在两个数据集上验证了 DisC-Diff 的有效性：包含 578 个正常大脑的 IXI 数据集，以及包含 316 个病理大脑的临床数据集。实验结果表明，DisC-Diff 在定量和视觉上均优于其他 SOTA 方法。
引用
@article{arxiv.2303.13933,
title = {DisC-Diff: Disentangled Conditional Diffusion Model for Multi-Contrast MRI Super-Resolution},
author = {Ye Mao and Lan Jiang and Xi Chen and Chao Li},
journal= {arXiv preprint arXiv:2303.13933},
year = {2023}
}
备注
Early Accepted by MICCAI 2023