Phy-Diff：基于物理引导的沙漏扩散模型用于扩散 MRI 合成

扩散 MRI (dMRI) 是一种高获取成本的重要神经影像技术。已用于深度学习方法来增强 dMRI 并通过欠采样 dMRI 预测扩散生物标志物。为了生成更全面的原始 dMRI，提出了基于对抗生成网络的方法，将 b 值和 b 向量作为条件，但受限于训练不稳定和生成多样性较差。然而，扩散模型 (DM) 有望改进生成性能。然而，对于更相关的生成，仍然具有挑战性，即将 dMRI 的物理原理和白 matter 轨迹结构等关键信息纳入条件模型中。本研究提出了一种物理引导的扩散模型，用于生成高质量 dMRI。我们的模型在扩散过程中引入 dMRI 的物理原理，并在扩散模型中引入基于查询的条件映射。此外，为增强生成的解剖细节，我们采用适配器技术将 XTRACT 图谱作为白 matter 轨迹的先验。我们的实验结果表明，该方法优于其他最先进的方法，具有潜力推动 dMRI 增强。