扩散模型与传统训练深度网络的in-silico比较,用于将64mT转换为3T大脑FLAIR
Mohammad Javadi1, Robert Griffin1, Panagiotis Tsiamyrtzis2,3
1Medical Robotics and Imaging Lab, Department of Computer Science, University of Houston, Houston, TX, USA.
Scientific reports
|October 31, 2025
概括
扩散模型,如SR3,显著增强低场MRI (LFMRI) 图像,优于传统的深度学习方法. 这一进步提高了图像质量和病理结构的保存,以提高LFMRI的临床效用.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 低场核磁共振 (LFMRI) 的信号与噪声比率 (SNR) 和对比度与噪声比率 (CNR) 较低.
- 深度学习 (DL) 方法正在探索LFMRI增强和转换到高场MRI (HFMRI).
研究的目的:
- 评估扩散模型,特别是通过重复精制 (SR3) 进行超分辨率,用于LFMRI增强.
- 为了将SR3与传统的DL架构 (CycleGAN,UNet) 进行LFMRI到HFMRI翻译.
主要方法:
- 使用了来自BraTS 2019数据集 (3T) 的合成LFMRI FLAIR大脑图像 (64mT).
- 模型使用SSIM,nRMSE,gEn,GE和PIQE指标进行评估.
- 在图像翻译性能方面,SR3,CycleGAN和UNet进行了比较.
主要成果:
- 在所有评估指标上,SR3的表现明显优于CycleGAN和UNet (p < 0.05).
- SR3获得了超过0.97的SSIM分数,显示出卓越的图像质量.
- 在保存具有较低gEn和GE值的病态结构 (死核,) 方面,SR3表现出色.
结论:
- 以SR3为例的扩散模型为LF到HFMRI转换提供了传统DL的强大的替代方案.
- SR3提高了LFMRI质量,并保留了结构细节,可能增加LFMRI的临床实用性.
- 这项研究强调了扩散模型在促进医学图像增强和翻译方面的潜力.
