QSMDiff: Unsupervised 3D Diffusion Models for Quantitative Susceptibility Mapping

本文介绍了定量磁化率映射（QSM）偶极反演技术，用于从MRI组织相位中量化磁化率分布的逆问题。虽然监督式深度学习方法在特定的QSM任务中表现出成功，但它们在不同的采集场景下的泛化能力仍然受到限制。最近，扩散模型的发展展示了解决2D医学成像逆问题的潜力。然而，将这些模型应用于3D模态（如QSM）仍然具有高计算需求的挑战。在本文中，我们开发了一种基于3D图像块的扩散模型，即QSMDiff，用于在不同的扫描参数下进行强大的QSM重建，同时还可以进行超分辨率和图像去噪任务。QSMDiff采用无监督的3D图像块训练和在推断过程中的全尺寸测量指导，以进行受控图像生成。在模拟和体内人脑上的评估中，使用梯度回波和回波平面成像序列以及不同的采集参数，QSMDiff表现出卓越的性能。QSMDiff中提出的方法也有希望对QSM以外的其他3D医学成像应用产生影响。

该论文旨在解决Quantitative Susceptibility Mapping (QSM) dipole inversion在MRI组织相位中量化磁化率分布的逆问题。

该论文提出了一种3D图像基于补丁的扩散模型，称为QSMDiff，用于在不同扫描参数下进行强大的QSM重建，同时进行超分辨率和图像去噪任务。

该方法在模拟和人体大脑的实验中都表现出优异的性能，并且可以用于其他3D医学成像应用。该论文采用无监督的3D图像补丁训练和完整尺寸测量指导，用于控制图像生成。

最近的相关研究包括使用监督深度学习方法解决特定QSM任务，以及使用扩散模型解决2D医学成像逆问题的发展。