GAN 与扩散模型在 MRI 至 CT 翻译中的比较分析
机器学习
2026-01-12 v2
摘要
计算机断层扫描（CT）是治疗和诊断的必需品；在 CT 不可用或难以获取的情况下，寻求从磁共挔成像（MRI）图像生成合成 CT（sCT）图像的方法。因此，建立一种最有效策略的参考对于 MRI 至 CT 翻译至关重要。本文比较了两种常用用于 MRI 至 CT 翻译的架构：条件生成对抗网络（cGAN）和条件去噪扩散概率模型（cDDPM）。我们选择各自经验证的实现代表每个架构：分别为 Pix2Pix 用于 cGAN，Palette 用于 cDDPM。我们将经典的 3D 翻译问题分解为在横断面平面上的一系列 2D 翻译，以探讨一种降低计算成本的策略的可行性。我们还研究了将生成过程条件化于单个 MRI 图像/切片或多个 MRI 切片的影响。性能评估采用严格的评估协议，包括一种新颖的切片间度量 Similarity Of Slices（SIMOS），用于衡量将 sCTs 编译成 3D 格式时横断切片之间的连续性。我们的比较分析发现，MRI 至 CT 生成模型从多通道条件输入和使用 cDDPM 作为架构方面受益。
关键词
引用
@article{arxiv.2509.22047,
title = {MO-GRPO: Mitigating Reward Hacking of Group Relative Policy Optimization on Multi-Objective Problems},
author = {Yuki Ichihara and Yuu Jinnai and Tetsuro Morimura and Mitsuki Sakamoto and Ryota Mitsuhashi and Eiji Uchibe},
journal= {arXiv preprint arXiv:2509.22047},
year = {2026}
}
备注
fixed the equation 1's typo