A Unified Framework for Synthesizing Multisequence Brain MRI via Hybrid Fusion

本文提出了一种新的统一框架，用于合成多序列磁共振成像（MRI）图像，称为混合融合生成对抗网络（HF-GAN）。多序列MRI通过序列内的互补信息在临床应用中提供可靠的诊断。然而，在实践中，缺少某些MR序列是常见的问题，可能导致不一致的分析结果。我们引入了一个混合融合编码器，旨在确保互补和模态特定信息的分离提取，以及一个基于通道注意力的特征融合模块，将特征集成到处理可访问MR序列的组合的常见潜在空间中。通过模态注入器将常见特征表示转换为目标潜在空间，以合成缺失的MR序列。我们在健康人和被诊断为脑肿瘤的患者的多序列脑MRI数据集上进行了实验。实验结果表明，我们的方法在定量和定性比较中均优于现有方法。此外，对我们的框架进行了详细分析，证明了我们设计的模块的优越性及其在数据填补任务中的有效性。

本篇论文旨在解决医学影像诊断中常见的MR序列缺失问题，提出了一种新的多序列MRI图像合成框架

论文提出了一种名为Hybrid Fusion GAN（HF-GAN）的框架，其中包括混合融合编码器、通道注意力特征融合模块和模态注入器等模块，能够有效地合成缺失的MR序列

论文在健康人和脑肿瘤患者的多序列脑MRI数据集上进行了实验，结果表明该方法在定量和定性比较中优于现有方法。此外，论文的模块设计和有效性也得到了详细分析

在这个领域中，最近的相关研究包括：1. Multi-contrast MRI synthesis using unpaired data: 2. Adversarial Synthesis of Cross-modality Cardiac MR Images: 3. Learning to Synthesize CT Images from MRI Data Using CycleGAN for Improved PET Attenuation Correction