FDDM：基于频解耦扩散模型的无监督医学图像翻译
图像与视频处理
2024-11-26 v3 计算机视觉与模式识别
摘要
扩散模型在医学图像翻译中展现出生成高质量图像以辅助疾病诊断、定位与治疗的显著潜力。然而，当前扩散模型在实现能准确保留医学图像解剖结构的忠实图像翻译方面成功有限，尤其对于非配对数据集。结构与解剖细节的保留对可靠医学诊断与治疗规划至关重要，因为结构不匹配可导致疾病误识与治疗错误。在本研究中，我们引入频解耦扩散模型（FDDM）用于 MR 到 CT 转换。FDDM 首先通过初始转换模块从 MR 图像获取 CT 图像的解剖信息。该解剖信息随后引导后续扩散模型生成高质量 CT 图像。我们的扩散模型对低频与高频信息采用双路径反向扩散过程，在图像质量与解剖准确性间取得更好平衡。我们使用脑 MR 到 CT 与骨盆 MR 到 CT 翻译的公开数据集对 FDDM 进行了广泛评估，证明其优于其他基于 GAN、基于 VAE 与基于扩散的模型。评估指标包括 Frechet Inception Distance（FID）、峰值信噪比（PSNR）与结构相似性指数测度（SSIM）。FDDM 在两个数据集的所有指标上均取得最佳分数，尤其在 FID 上表现突出，脑数据得分为 25.9，骨盆数据为 29.2，显著优于其他方法。这些结果表明 FDDM 能在保持翻译解剖结构准确性的同时生成高质量目标域图像。
引用
@article{arxiv.2311.12070,
title = {FDDM: Unsupervised Medical Image Translation with a Frequency-Decoupled Diffusion Model},
author = {Yunxiang Li and Hua-Chieh Shao and Xiaoxue Qian and You Zhang},
journal= {arXiv preprint arXiv:2311.12070},
year = {2024}
}