试验BBDM:一个概率布朗桥扩散模型,用于MRI序列图像对图像的翻译
Martin Valls1, Pascal Bourdon1, Christine Fernandez-Maloigne1
1I3M common laboratory CNRS-Siemens Healthinners, University Hospital and University of Poitiers, Poitiers, 86000, France; XLIM Laboratory, CNRS UMR 7252, University of Poitiers, Poitiers, 86000, France.
概括
本研究介绍了概率-布罗恩桥扩散模型 (Prob-BBDM),用于高效的AI驱动的磁共振成像 (MRI) 序列的合成. 这种新型模型从2D切片生成高质量的MRI,证明了临床实用性和通用性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 图像合成 图像合成
背景情况:
- 人工智能驱动的图像合成正在推进医学成像应用.
- 获取多个MRI序列是资源密集且耗时的.
- 需要有效的方法来合成MRI序列.
研究的目的:
- 提出一种新的图像对图像转换模型,用于从2D轴切片合成MRI序列.
- 为了利用布朗桥扩散模型 (BBDM) 与变异编码器来提高合成质量.
- 评估拟议模型的性能,效率和通用性.
主要方法:
- 开发了一个概率BBDM (Prob-BBDM) 集成一个变化编码器引导的扩散机制.
- 在MRI序列合成的BraTS 2021数据集上训练和评估模型.
- 评估了使用合成切片进行瘤细分的临床实用性,使用预训练模型进行细分.
主要成果:
- 试验BBDM实现了高达88.46%的SSIM和26.09dBPSNR的卓越性能.
- 合成过程只需要4个扩散步骤,证明了计算效率.
- 用于瘤细分的合成切片获得了88.71%的Dice分数和3.49mm的HD95.
- 在外部第三方数据集上观察到一致的性能,证实了概括性.
结论:
- 试验BBDM提供高质量,高效和可通用的MRI合成.
- 该模型保留了关键的诊断信息,显示了临床实用性.
- 这项工作为人工智能驱动的医学图像翻译带来了有前途的进展.
