Self-Consistent Recursive Diffusion Bridge for Medical Image Translation

去噪扩散模型（DDM）由于训练稳定性得到改善，近期在医学图像转换中受到了广泛关注。DDM学习多步去噪转换，将随机高斯噪声图像逐步映射到目标模态图像，同时从源模态图像中获得固定的指导。由于这种去噪转换与任务相关的源到目标转换相差较大，DDM可能会受到源模态指导的影响较小。在这里，我们提出了一种新的自洽递归扩散桥（SelfRDB），以改进医学图像转换的性能。与DDM不同，SelfRDB采用一种新的前向过程，其起点和终点分别基于目标和源图像进行定义。过程中的中间图像样本通过正态分布表示，其中均值为起点和终点的凸组合，方差来自添加的噪声。与规则扩散桥不同的是，SelfRDB提出了一种新的噪声调度，朝着终点单调递增方差，以提高泛化性能并促进两种模态之间的信息传递。为了进一步提高每个反向步骤的采样精度，我们提出了一种新的采样过程，其中网络递归地生成目标图像的瞬态估计，直到收敛到一个自洽的解决方案。在多对比剂MRI和MRI-CT转换的全面分析中，SelfRDB表现出比竞争方法更优越的性能。

论文提出了一种名为SelfRDB的新型医学图像翻译方法，旨在提高性能并解决DDMs中存在的问题。

SelfRDB采用一种新颖的正向过程，以目标和源图像为起点和终点，使用正态分布表示过程中的中间图像样本，并采用单调递增的噪声调度来提高泛化性能，同时提出一种新的采样过程来增强每个反向步骤中的采样精度。

论文在多对比度MRI和MRI-CT翻译方面进行了全面分析，结果表明SelfRDB相对于竞争方法具有更好的性能。

最近的相关研究包括DDMs和对抗模型在医学图像翻译中的应用，例如“Unsupervised Image-to-Image Translation Networks”和“Deep Adversarial Networks for Biomedical Image Segmentation Utilizing Unannotated Images”。