脑磁共振成超声波图像转换的交叉模式条件潜伏扩散模型
Shan Jiang1, Liwen Wang1, Yuhua Li1
1Centre for advanced Mechanisms and Robotics, Tianjin University, 135 Yaguan Road, Jinnan District, Tianjin, People's Republic of China.
Physics in medicine and biology
|July 16, 2025
概括
这项研究引入了一种新型的交叉模式隐性扩散模型,用于将脑MRI图像转化为高质量的超声波 (US) 图像. 这一进步提高了手术内美国可读性,并通过改进合成美国数据生成来帮助脑瘤切除.
科学领域:
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
- 图像处理 图像处理
背景情况:
- 术内脑超声波 (US) 对于脑瘤切除至关重要,但受到有限的数据和注释挑战的影响.
- 磁共振成像 (MRI) 提供了丰富的,易于注释的数据,为交叉模式传输提供了机会.
研究的目的:
- 开发一种方法,将脑MRI数据转化为高质量的超声波 (US) 图像.
- 提高美国数据集的规模和质量,以改善智能图像处理和手术内可读性.
主要方法:
- 针对MRI-to-US图像转换,提出了一种交叉模式的条件潜伏扩散模型 (CCLD).
- 在编码器-解码器预训练中使用了噪声罩恢复策略,以优化特征提取和降低计算成本.
- 频率分解和自适应的多频特征融合模块被集成,以利用MRI结构和US纹理.
主要成果:
- 与最先进的方法相比,CCLD模型在ReMIND数据集上取得了更高的性能.
- 关键指标包括19.1%的学习感知图像补丁相似性,4.21%的平均绝对误差,25.36 dB的峰值信号与噪声比,以及86.91%的结构相似性指数.
- 该模型生成了高质量的合成美国 (sUS) 图像,具有更好的现实主义和细节.
结论:
- CCLD模型有效地提高了美国合成图像的质量和真实性.
- 这种方法为生成高质量的美国数据集和改善手术内美国图像可读性提供了有希望的方向.
