面向异构数据集的个性化多模态MRI合成

在多模态磁共振成像（MRI）中合成缺失模态对于确保诊断完整性至关重要，尤其是在由于时间限制、运动伪影和患者耐受性等因素导致完全获取采集不具可行性时。最近的统一合成模型已实现了通过适应各种输入输出配置来支持灵活的合成任务。然而，这些模型的训练和评估通常仅限于单个数据集，这限制了其在多样化临床数据集上的可泛化性，妨碍了实际部署。为此，我们提出PMM-Synth，一个支持多种合成任务且能有效跨数据集泛化的个性化MRI合成框架。PMM-Synth在彼此 differ 的多模态MRI数据集上联合训练，这些数据集在模态覆盖、疾病类型和强度分布方面存在差异。通过三项核心创新实现跨数据集泛化：一个个人化特征调制模块，通过基于数据集标识符动态调整特征表示来减轻分布性偏移的影响；一个模态一致性批调度器，在不一致模态条件下促进稳定高效的批训练；以及一种选择性监督损失，以确保在真实模态部分缺失时有效学习。在四个临床多模态MRI数据集上进行的评估表明，PMM-Synth在单向对单和多向对单合成任务中均优于最先进的方法，实现了更优的PSNR和SSIM分数。定性结果进一步表明 improved了解剖结构和病理细节的保留。此外，下游的肿瘤分割和放射学报告研究表明，PMM-Synth有潜力支持在实际模态缺失场景下的可靠诊断。