病灶感知的后训练潜在扩散模型用于从 CT 灌注合成扩散 MRI
计算机视觉与模式识别
2025-10-13 v1
摘要
图像到图像的转换模型有助于缓解医学图像采集中的各种挑战。潜在扩散模型(LDM)利用压缩潜在空间中的高效学习，构成最先进的生成图像模型的核心。然而，这种效率伴随着权衡，可能损害高保真医学图像所需的至关重要的像素级细节。当生成临床显著结构（如病灶）时，这一局限性尤为关键，因为病灶通常仅占据图像的一小部分。未能准确重建这些区域会严重影响诊断可靠性和临床决策。为克服这一局限，本文提出一种新颖的 LDM 后训练框架，通过引入病灶感知的医学像素空间目标来实现。该方法不仅提升了整体图像质量，还提高了病灶勾勒的精度。我们在 817 名急性缺血性卒中患者的数据集上评估了该框架，证明了在从 CT 灌注扫描合成 DWI 和 ADC 图像时，该框架提升了整体图像质量并增强了病灶勾勒，优于现有的图像到图像转换模型。此外，我们的后训练策略易于适配预训练 LDM，并展现出在多样化医学图像转换任务中广泛应用的巨大潜力。
引用
@article{arxiv.2510.09056,
title = {Lesion-Aware Post-Training of Latent Diffusion Models for Synthesizing Diffusion MRI from CT Perfusion},
author = {Junhyeok Lee and Hyunwoong Kim and Hyungjin Chung and Heeseong Eom and Joon Jang and Chul-Ho Sohn and Kyu Sung Choi},
journal= {arXiv preprint arXiv:2510.09056},
year = {2025}
}
备注
MICCAI 2025, Lecture Notes in Computer Science Vol. 15961