面向高保真统一脑 MRI 合成的原则化特征解耦
图像与视频处理
2025-10-21 v2 计算机视觉与模式识别
摘要
多序列磁共振成像（MRI）通过跨序列的互补信息提供更可靠的临床诊断。然而，实际情况下缺乏某些 MRI 序列是常见问题，可能导致分析结果不一致。本文提出一种新型统一框架用于合成多序列 MRI 图像，称为混合融合生成对抗网络（HF-GAN）。本工作的基本机制是原则化特征解耦，这一设计将架构与特征的复杂度相吻合。构建了一个强大的许多对一流，用于提取复杂互补特征，同时利用平行的一对一流处理模式特定信息。这些解耦特征通过基于通道注意力的融合模块（CAFF）动态整合到 common latent space 中，然后通过模式 infuser 生成目标序列。我们在公开的健康和病理脑 MRI 数据集上对 our framework 进行了验证。定量和定性结果表明，HF-GAN 实现了业界最佳性能，其中 2D 切片为基础的框架显著优于领先的 3D 体积模型。此外，利用 HF-GAN 进行数据插值可显著提高下游脑肿瘤分割任务的性能，表明其临床相关性。
引用
@article{arxiv.2406.14954,
title = {Principled Feature Disentanglement for High-Fidelity Unified Brain MRI Synthesis},
author = {Jihoon Cho and Jonghye Woo and Jinah Park},
journal= {arXiv preprint arXiv:2406.14954},
year = {2025}
}
备注
14 pages, 9 figures