分层扩散框架用于伪健康脑 MRI 修复以增强三维一致性-计算机科学-机器学习-扩散模型-健康图像修复.pdfVIP

分层扩散框架用于伪健康脑MRI修复以增强三维一

致性

DouHoonKwark,ShiruiLuo,XiyueZhu,YuduLi,Zhi-PeiLiang,

andVolodymyrKindratenko

TheGraingerCollegeofEngineering

NationalCenterforSupercomputingApplications

UniversityofIllinoisUrbanaChampaign,Urbana,IL,USA

dkwark2@

本

译摘要伪健康图像修复是分析病理脑部MRI扫描的重要预处理步骤。大多

中数当前的修复方法倾向于使用切片式2D模型，因为它们具有高平面保真

度，但不同切片之间的独立性会导致体积中的不连续性。完全3D模型可

1

v以缓解这个问题，但其较高的模型容量需要大量的训练数据来实现可靠的、

1高保真的合成——这在医学环境中通常是不实际的。我们通过一个分层扩

1

9散框架解决了这些限制，用两个相互垂直的由粗到细的2D阶段代替直接

7的3D建模。首先，轴向扩散模型生成一个粗糙但全局一致的修复结果；然

1.后冠状扩散模型细化解剖细节。通过结合垂直的空间视图和自适应重采样，

7我们的方法平衡了数据效率和体积一致性。实验表明，我们的方法在逼真

0

5度和体积一致性上都优于最先进的基线方法，使其成为伪健康图像修复的

2一个有前景的解决方案。代码可在/dou0000/3dMRI-

:

vConsistent-Inpaint获得。

i

x

r

aKeywords:扩散模型·MRI缺损填充·体积一致性。

1介绍

脑部MRI图像广泛用于诊断和分析神经状况，但异常情况如病灶和切除

腔的存在往往干扰自动化的图像处理[13]。常见的神经影像工具—FreeSurfer

[11],FSL[20]和SPM[1]—通常针对健康大脑进行优化，因此在面对结构不

规则时性能不佳[26,29]。为了解决这一问题，伪健康图像修复作为一种预

处理步骤出现了，它将病理性区域替换为合成的健康组织，从而促进后续任

务如分割和配准[18,27]的进行。然而，传统方法—如基于图谱或统计的方

法—在跨多样化的患者群体和复杂的病理情况下难以泛化[5]。最近，使用

2Kwarketal.

生成模型（例如GANs、VAEs、扩散模型）的基于深度学习的修复显示了

对修复解剖学上合理的健康结构的潜力[9,14,25,26,34]。许多这些方法采用

2D切片方式处理，这可以产生高保真度的切片，并