回归即你所需：医学图像转换
图像与视频处理
2025-10-22 v3 人工智能
计算机视觉与模式识别
摘要
尽管生成对抗网络 (GAN) 和扩散模型 (DM) 在自然图像合成中取得了令人瞩目的成果，但其核心优势——创造性和逼真度——在医学应用中可能是有害的，因为医学应用要求准确性和保真度至关重要。这些模型反而可能引入幻觉并复制不需要的采集噪声。在此，我们提出 YODA（You Only Denoise once - or Average），一个用于医学图像转换（MIT）的 2.5D 基于扩散的框架。与 DM 理论一致，我们发现传统的扩散采样会随机地复制噪声。为了缓解这个问题，我们抽取并平均多个样本，类似于物理信号平均。由于这有效地逼近了 DM 的期望值，我们称之为期望逼近（ExpA）采样。我们还提出了回归采样 YODA，它保留初始 DM 预测并省略迭代细化，以单步生成无噪声图像。在五个不同的多模态数据集上——包括多对比度脑 MRI 和盆腔 MRI-CT——我们证明回归采样不仅效率显著提高，而且在图像质量上匹配甚至超越了使用 ExpA 的完整扩散采样。我们的结果表明，迭代细化仅增强了感知真实感，并未有益于信息转换，这一点我们在相关的下游任务中得到了证实。YODA 优于八种最先进的 DM 和 GAN，并挑战了 DM 和 GAN 在高质量 MIT 方面优于计算成本低廉的回归模型的假设。此外，我们表明，对于多种医学应用，YODA 转换的图像可与物理采集互换，甚至更优。
引用
@article{arxiv.2505.02048,
title = {Regression is all you need for medical image translation},
author = {Sebastian Rassmann and David Kügler and Christian Ewert and Martin Reuter},
journal= {arXiv preprint arXiv:2505.02048},
year = {2025}
}