路径与骨轮廓正则化的非配对MRI到CT转换
计算机视觉与模式识别
2025-11-25 v1
摘要
准确的MRI到CT转换有望在不增加额外成像环节的情况下整合互补的成像信息。鉴于获取配对MRI和CT扫描的实际挑战，开发能够利用非配对数据集的鲁棒方法对于推进MRI到CT转换至关重要。当前的非配对MRI到CT转换方法主要依赖于循环一致性和对比学习框架，在准确转换那些在CT上高度可辨但在MRI上较难区分的解剖特征（如骨骼结构）时经常遇到困难。这一局限性使得这些方法不太适用于放射治疗等应用，因为精确的骨骼表示对于准确的治疗计划至关重要。为了应对这一挑战，我们提出了一种路径和骨轮廓正则化的非配对MRI到CT转换方法。在我们的方法中，MRI和CT图像被投影到一个共享的潜在空间，其中MRI到CT的映射被建模为由神经常微分方程控制的连续流。通过最小化该流的转换路径长度来获得最优映射。为了增强转换后骨骼结构的准确性，我们引入了一个可训练的神经网络，从MRI生成骨轮廓，并实现了直接和间接机制，以鼓励模型关注骨轮廓及其邻近区域。在三个数据集上进行的评估表明，我们的方法优于现有的非配对MRI到CT转换方法，实现了更低的整体误差率。此外，在下游骨骼分割任务中，我们的方法在保持骨骼结构保真度方面表现出优越的性能。我们的代码可在https://github.com/kennysyp/PaBoT获取。
引用
@article{arxiv.2505.03114,
title = {Path and Bone-Contour Regularized Unpaired MRI-to-CT Translation},
author = {Teng Zhou and Jax Luo and Yuping Sun and Yiheng Tan and Shun Yao and Nazim Haouchine and Scott Raymond},
journal= {arXiv preprint arXiv:2505.03114},
year = {2025}
}