基于多条件潜在扩散模型的对比剂动力学学习
图像与视频处理
2024-07-18 v3 人工智能
计算机视觉与模式识别
机器学习
摘要
动态对比增强磁共振成像中的对比剂能够实现肿瘤定位并观察其对比剂动力学，这对于癌症表征及相应治疗决策至关重要。然而，对比剂的使用不仅伴随不良健康风险，而且对孕期患者、肾功能不全患者或有其他不良反应的患者存在使用限制。由于对比剂摄取是病灶恶性程度、癌症复发风险和治疗反应的关键生物标志物，减少对静脉注射对比剂的依赖变得至关重要。为此，我们提出一种多条件潜在扩散模型，能够实现基于采集时间条件的 DCE-MRI 时序序列图像合成。为了评估医学图像合成质量，我们额外提出并验证了 Fréchet radiomics distance 作为一种基于合成与真实成像数据间生物标志物变异性的图像质量度量。我们的结果证明了该方法生成逼真多序列脂肪饱和乳腺 DCE-MRI 的能力，并揭示了基于深度学习的对比剂动力学模拟的新兴潜力。我们在 https://github.com/RichardObi/ccnet 公开共享了代码库，并在 https://pypi.org/project/frd-score 提供了用于计算 Fréchet radiomics distance 的易用库。
引用
@article{arxiv.2403.13890,
title = {Towards Learning Contrast Kinetics with Multi-Condition Latent Diffusion Models},
author = {Richard Osuala and Daniel M. Lang and Preeti Verma and Smriti Joshi and Apostolia Tsirikoglou and Grzegorz Skorupko and Kaisar Kushibar and Lidia Garrucho and Walter H. L. Pinaya and Oliver Diaz and Julia A. Schnabel and Karim Lekadir},
journal= {arXiv preprint arXiv:2403.13890},
year = {2024}
}
备注
Early Accept at MICCAI2024