LoCI-DiffCom：基于纵向一致性信息的扩散模型用于3D婴儿脑图像填充
图像与视频处理
2024-05-20 v1 计算机视觉与模式识别
摘要
婴儿脑在出生后前几个月内发生快速发育。与横断面研究相比，纵向研究能够更准确地、更具统计功效地、更灵活地描绘婴儿脑发育轨迹。然而，婴儿纵向磁共振(MR)数据收集面临著久的脱落问题，导致数据集中缺失时间点。这一限制显著阻碍后续神经科学和临床建模。然而，现有的深度生成模型在稀疏数据和发展脑中非线性、剧烈对比度/几何变化方面面临困难。我们提出LoCI-DiffCom，即Longitudinal Consistency-Informed Diffusion model for infant brain image Completion，一种集成前后时间点图像以引导扩散模型生成高保真缺失数据的新型纵向一致性信息扩散模型。我们设计的LoCI模块可在高度稀疏的时间序列上工作，仅依赖两个时间点的数据。尽管年龄时间点之间存在广泛的分离和多样性，我们的方法仍能提取个体化的发育特征，同时确保上下文感知的一致性。我们在大型婴儿脑MR数据集上的实验表明，其在各种年龄间隙的缺失婴儿脑MR填充场景中均表现出一致的性能，助力更准确地描绘早期发育轨迹。
引用
@article{arxiv.2405.10691,
title = {LoCI-DiffCom: Longitudinal Consistency-Informed Diffusion Model for 3D Infant Brain Image Completion},
author = {Zihao Zhu and Tianli Tao and Yitian Tao and Haowen Deng and Xinyi Cai and Gaofeng Wu and Kaidong Wang and Haifeng Tang and Lixuan Zhu and Zhuoyang Gu and Jiawei Huang and Dinggang Shen and Han Zhang},
journal= {arXiv preprint arXiv:2405.10691},
year = {2024}
}