FgC2F-UDiff: 基于频率引导和粗到细统一扩散模型的多模态缺失 MRI 合成
图像与视频处理
2025-01-08 v1 计算机视觉与模式识别
机器学习
摘要
多模态磁共振成像 (MRI) 对脑肿瘤的诊断和治疗至关重要。然而，由于扫描时间限制、扫描损坏、伪影、运动以及对对比剂的耐受性不足，常常会观察到模态缺失。MRI 的模态合成是解决临床实践和研究中模态不足的一种手段。然而，仍存在一些挑战，如泛化性差、非线性映射不准以及处理速度慢。为此，我们提出一种新型统一合成模型——频率引导和粗到细统一扩散模型 (FgC2F-UDiff)，用于 multiple inputs and outputs。具体而言，粗到细统一网络 (CUN) 充分利用扩散模型的迭代去噪特性，从全局到细节，通过将去噪过程分为粗糙和精细两个阶段来增强合成图像的保真度。其次，频率引导协同策略 (FCS) 利用恰当的频率信息作为先验知识指导学习高度非线性映射。最后，特定加速混合机制 (SHM) 集成特定机制以加速扩散模型并提升 many-to-many 合成的可行性。大量实验评估表明，我们提出的 FgC2F-UDiff 模型在两个数据集上实现了优异性能，通过包括定性观察和定量指标（如 PSNR、SSIM、LPIPS 和 FID）进行全面评估。
引用
@article{arxiv.2501.03526,
title = {FgC2F-UDiff: Frequency-guided and Coarse-to-fine Unified Diffusion Model for Multi-modality Missing MRI Synthesis},
author = {Xiaojiao Xiao and Qinmin Vivian Hu and Guanghui Wang},
journal= {arXiv preprint arXiv:2501.03526},
year = {2025}
}