DiffM⁴RI:一种带有modality Inpainting的隐性扩散模型,用于合成MRI分析中缺失的modality

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 多式联运数据融合技术

背景情况:

• 基础模型 (FMs) 对多式联络医疗图像分析,特别是磁共振成像 (MRI) 具有前景.
• 由于扫描时间或患者舒适度等限制,MRI序列缺失可能会限制临床环境中的FM性能.
• 现有的归算方法,如生成对抗网络 (GANs),通常需要场景特定的培训,并且受到有限的合成多样性的困扰.

研究的目的:

• 开发一种强大的方法来归纳缺失的MRI模式,可以处理任意缺失的场景而不需要再培训.
• 通过解决数据不完整性,提高基础模型在临床实践中的适用性和可靠性.

主要方法:

• 提出了DiffM4RI,这是一个设计用于MRI中多对多缺失模式归算的扩散模型.
• 制定了缺失的模式归算作为模式级inpainting任务,允许灵活处理各种缺失的数据模式.
• 在BRAT数据集上评估性能.

主要成果:

• 与现有方法相比,DiffM4RI在归算准确度方面取得了显著的改进.
• 显示了结构相似度指数 (SSIM) 的平均改善,比MustGAN提高0.15,比SynDiff提高0.1和比VQ-VAE-2提高0.02.
• 模型在不需要再培训的情况下处理各种缺失场景的能力得到了验证.

结论:

• 在MRI中,DiffM4RI提供了一个有效的解决方案,用于MRI中许多对许多缺失模式的归算.
• 拟议的方法通过解决数据缺口来提高基础模型的稳定性和临床适用性.
• 这项工作为在现实世界中更可靠的AI驱动医学图像分析铺平了道路.