X-Diffusion: Generating Detailed 3D MRI Volumes From a Single Image Using Cross-Sectional Diffusion Models

本文提出了一种名为X-Diffusion的横向扩散模型，专门针对磁共振成像数据。X-Diffusion能够从单个MRI切片或少量多个切片生成整个MRI体积，创造了从极度稀疏的观测中合成MRI的精度新标准。其独特之处在于X-Diffusion在MRI体积上进行了新颖的视图条件训练和推断，实现了MRI学习的广义化。我们的评估涵盖了BRATS数据集中的脑肿瘤MRI和UK Biobank数据集中的全身MRI。利用UK Biobank数据集中成对预注册的双能X射线吸收测量（DXA）和MRI模态，X-Diffusion能够从单个全身DXA生成详细的3D MRI体积。值得注意的是，由此产生的MRI不仅在未见过的例子上精度突出（超过了最先进的结果），而且完美地保留了原始MRI的重要特征，包括肿瘤轮廓、脊柱曲度、脑容积等等。此外，X-Diffusion在MRI数据集上训练的模型具有跨领域的泛化能力（例如，即使在大脑训练的情况下也能生成膝盖MRI）。代码可在项目网站https://emmanuelleb985.github.io/XDiffusion/上获得。

解决问题：本论文旨在提出一种适用于磁共振成像（MRI）数据的横向扩散模型，从极度稀疏的观测中生成整个MRI体积。

关键思路：X-Diffusion是一种新颖的模型，采用了MRI体积的视图条件训练和推断，可用于MRI的广义学习。

其他亮点：该模型在BRATS数据集和UK Biobank数据集上进行了评估，能够从单个全身DXA生成详细的3D MRI体积，并且在未见过的例子上表现出色，保留了原始MRI的关键特征。此外，该模型在MRI数据集上的训练具有跨领域的泛化能力。研究开放了项目网站，提供了代码。

相关研究：最近的相关研究包括使用深度学习生成MRI图像的方法，如GAN和VAE等。