基于模式感知的扩散模型 fMRI/dMRI 合成：组织和微结构细化
计算机视觉与模式识别
2025-11-10 v1 人工智能
摘要
磁共振成像（MRI），尤其是功能 MRI（fMRI）和扩散 MRI（dMRI），是研究神经退行性疾病的关键工具。然而，缺失的模态形式是其临床应用的主要障碍。尽管 GAN 和扩散模型方法在模态完成方面显示出一些前景，但在 fMRI-dMRI 合成方面仍受限于：（1）fMRI 与 dMRI 在时间/梯度轴上的显著 BOLD 与扩散加权信号差异，以及（2）在生成过程中不充分整合与疾病相关的神经解剖模式。为此，我们提出了 PDS 方法，引入了两个关键创新：（1）用于跨模态学习的模式感知双模 3D 扩散框架，以及（2）集成于高效微结构细化的组织细化网络，以保持结构保真度和细节。我们在 OASIS-3、ADNI 和自建数据集上对方法进行评估。我们的技术在 fMRI 合成方面实现了最先进的效果，PSNR/SSIM 分别为 29.83 dB/90.84%（相对于基线提升 +1.54 dB/+4.12%），dMRI 合成方面为 30.00 dB/77.55%（相对于基线提升 +1.02 dB/+2.2%）。在临床验证中，合成数据显示出强大的诊断性能，在混合实验（NC vs. MCI vs. AD）中实现了 67.92%/66.02%/64.15% 的准确率。代码已在 PDS GitHub 仓库中提供。
引用
@article{arxiv.2511.04963,
title = {Pattern-Aware Diffusion Synthesis of fMRI/dMRI with Tissue and Microstructural Refinement},
author = {Xiongri Shen and Jiaqi Wang and Yi Zhong and Zhenxi Song and Leilei Zhao and Yichen Wei and Lingyan Liang and Shuqiang Wang and Baiying Lei and Demao Deng and Zhiguo Zhang},
journal= {arXiv preprint arXiv:2511.04963},
year = {2025}
}