Phy-Diff: Physics-guided Hourglass Diffusion Model for Diffusion MRI Synthesis

扩散磁共振成像（dMRI）是一种成本高昂的重要神经影像技术。深度学习方法已被用于增强dMRI并通过未采样的dMRI预测扩散生物标志物。为了生成更全面的原始dMRI，提出了基于生成对抗网络的方法，将b值和b向量作为条件，但它们受到不稳定的训练和不理想的多样性的限制。新兴的扩散模型（DM）承诺提高生成性能。然而，将dMRI的物理原理和白质束结构等重要信息包含在DM的条件中以进行更相关的生成仍然具有挑战性。在本研究中，我们提出了一种物理引导的扩散模型来生成高质量的dMRI。我们的模型将dMRI的物理原理引入扩散过程中的噪声演化，并在扩散模型内引入了基于查询的条件映射。此外，为了增强生成的解剖细节，我们采用适配器技术，将XTRACT图谱作为白质束的先验。我们的实验结果表明，我们的方法优于其他最先进的方法，并具有推进dMRI增强的潜力。

本论文旨在提出一种物理引导的扩散模型，以生成高质量的扩散磁共振成像（dMRI），并解决包括物理原理和白质束结构等关键信息在内的条件生成问题。

该论文提出了一种物理引导的扩散模型，将dMRI的物理原理引入噪声演化中的扩散过程，并在扩散模型中引入基于查询的条件映射。此外，为了提高生成的解剖细节，引入了XTRACT图谱作为白质束的先验。

实验结果表明，该方法的表现优于其他最先进的方法，并具有推进dMRI增强的潜力。该论文使用了公开数据集，并提供了开源代码。值得进一步研究的是，如何进一步提高生成的多样性和稳定性。

最近在dMRI增强领域的相关研究包括：1.基于深度学习的dMRI预测；2.基于生成对抗网络的dMRI生成；3.使用XTRACT图谱的白质束分割和配准。