面向对比增强的解剖结构感知扩散模型：See More, Change Less
计算机视觉与模式识别
2025-12-09 v1
摘要
图像增强提升视觉质量，有助于揭示原始图像中难以看到的细节。在医学影像中，它可以支持临床决策，但当前模型常常过度编辑。这会扭曲器官、产生假象，甚至错失小肿瘤，因为这些模型不理解解剖结构或对比动态。我们提出 SMILE，一种解剖结构感知扩散模型，学习器官的形状和对比分布。它仅增强临床相关区域，保持其他区域不变。SMILE 引入了三个关键思想：（1）遵循真实器官边界和对比模式的结构感知监督；（2）直接处理无对齐的多相 CT 扫描的注册自由学习；（3）提供跨所有对比相位的快速且一致的增强推理。在六个外部数据集上，SMILE 在图像质量（SSIM 提高 14.2%，PSNR 提高 20.6%，FID 降低 50%）和临床实用性方面优于现有方法，通过产生解剖准确且临床有意义的图像。SMILE 还提高了来自非对比 CT 的癌症检测能力，F1 分数提升最高 10 个百分点。
引用
@article{arxiv.2512.07251,
title = {See More, Change Less: Anatomy-Aware Diffusion for Contrast Enhancement},
author = {Junqi Liu and Zejun Wu and Pedro R. A. S. Bassi and Xinze Zhou and Wenxuan Li and Ibrahim E. Hamamci and Sezgin Er and Tianyu Lin and Yi Luo and Szymon Płotka and Bjoern Menze and Daguang Xu and Kai Ding and Kang Wang and Yang Yang and Yucheng Tang and Alan L. Yuille and Zongwei Zhou},
journal= {arXiv preprint arXiv:2512.07251},
year = {2025}
}