Slice-Consistent 3D Volumetric Brain CT-to-MRI Translation with 2D Brownian Bridge Diffusion Model

在神经影像学中，通常情况下，与MRI相比，CT扫描是更为经济实惠和易于获取的成像选项。然而，CT显示出较差的软组织对比度和更高的噪声水平，导致结构清晰度不够精确。为了应对这一问题，利用更易获取的CT构建其对应的MRI，即医学图像到图像的转换（I2I），是一种有前途的解决方案。特别是，虽然扩散模型（DMs）最近崛起为一种强大的工具，但它们也带来了一些实际的缺陷，不适用于医学I2I。首先，DMs固有的随机性来自随机噪声采样，无法保证一致的MRI生成，无法忠实地反映其CT。其次，对于在医学成像中普遍存在的三维体积图像，简单地使用二维DMs会导致切片不一致，例如异常的结构和亮度变化。虽然存在三维DMs，但训练成本和数据依赖性仍然令人犹豫。因此，我们提出了新颖的样式关键条件（SKC）和切片间轨迹对齐（ISTA）采样，用于二维布朗桥扩散模型。具体而言，SKC确保在切片间保持一致的成像风格（例如对比度），而ISTA则在切片间进行互联，确定性地实现一致的样式和形状，将三维CT转换为MRI。据我们所知，这项研究是首次仅基于二维DMs而没有额外架构模型实现高质量的三维医学I2I。我们的实验结果显示，使用内部CT-MRI数据集和BraTS2023 FLAIR-T1 MRI数据集，我们的方法比现有的二维和三维基线具有更优秀的三维医学I2I效果。

本篇论文旨在解决医学图像转换中使用扫描效果较差的CT图像生成MRI图像时存在的问题。

本论文提出了基于2D Brownian bridge扩散模型的样式关键条件和切片间轨迹对齐采样的方法来解决医学图像转换中的问题。

本论文使用了自己的CT-MRI数据集和BraTS2023 FLAIR-T1 MRI数据集，通过实验表明，所提出的方法在3D医学图像转换中优于现有的2D和3D基线模型。

最近的相关研究包括：'Unsupervised Medical Image Translation Using Cycle-Consistent Adversarial Networks'，'Dual Learning for Cross-Domain Image-to-Image Translation'，'High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs'等。