可信的纵向脑部MRI补全：一种基于形变且经KAN增强的扩散模型方法
计算机视觉与模式识别
2026-01-22 v2
摘要
纵向脑部MRI对全生命周期研究至关重要，然而高流失率常导致数据缺失，使分析复杂化。深度生成模型已被探索，但大多数仅依赖图像强度，导致两个关键局限：1）生成脑图像的真实性或可信度有限，使得下游研究存疑；2）由于模型结构中根植的固定引导，使用灵活性受限，限制了其在多种应用场景中的全部能力。为应对这些挑战，我们引入了DF-DiffCom，这是一种Kolmogorov-Arnold网络（KAN）增强的扩散模型，它巧妙地利用形变场进行可信的纵向脑图像补全。在OASIS-3数据集上训练后，DF-DiffCom优于最先进的方法，将PSNR提高了5.6%，SSIM提高了0.12。更重要的是，其模态无关的特性使其能够平滑扩展到各种MRI模态，甚至包括脑组织分割结果等属性图。
引用
@article{arxiv.2601.09572,
title = {Trustworthy Longitudinal Brain MRI Completion: A Deformation-Based Approach with KAN-Enhanced Diffusion Model},
author = {Tianli Tao and Ziyang Wang and Delong Yang and Han Zhang and Le Zhang},
journal= {arXiv preprint arXiv:2601.09572},
year = {2026}
}