利用扩散模型进行 MR 与超声图像的模态转换与配准
计算机视觉与模式识别
2025-06-03 v1
摘要
多模态 MR-US 配准对前列腺癌诊断至关重要。然而，由于显著的模态差异，该任务仍具挑战性。现有方法在过度敏感于无关细节的同时，往往无法对齐关键边界。为解决此问题，我们提出了一种基于分层特征解耦设计的解剖学相干模态转换（ACMT）网络。我们利用浅层特征实现纹理一致性，利用深层特征实现边界保持。与将一种模态转换为另一种模态的传统模态转换方法不同，我们的 ACMT 引入了中间伪模态的定制设计。MR 和 US 图像均被转换至该中间域，有效解决了传统转换方法在下游配准任务中面临的瓶颈。实验表明，我们的方法在为准确配准保持关键解剖边界的同时，缓解了模态特有的差异。定量评估表明，与最先进的模态转换方法相比，其模态相似性更优。此外，下游配准实验证实，我们转换后的图像实现了最佳对齐性能，突显了我们框架在多模态前列腺图像配准中的鲁棒性。
引用
@article{arxiv.2506.01025,
title = {Modality Translation and Registration of MR and Ultrasound Images Using Diffusion Models},
author = {Xudong Ma and Nantheera Anantrasirichai and Stefanos Bolomytis and Alin Achim},
journal= {arXiv preprint arXiv:2506.01025},
year = {2025}
}