A Domain Translation Framework with an Adversarial Denoising Diffusion Model to Generate Synthetic Datasets of Echocardiography Images

目前，医学图像领域的翻译操作对于研究人员和临床医生来说具有很高的需求。除了其他能力外，这项任务允许生成具有足够高图像质量的新医学图像，使其具有临床意义。深度学习（DL）架构，尤其是深度生成模型，被广泛用于从一个域生成和翻译图像到另一个域。所提出的框架依赖于对抗去噪扩散模型（DDM）来合成超声心动图图像并执行域翻译。与生成对抗网络（GAN）相反，DDM能够生成具有大量多样性的高质量图像样本。如果将DDM与GAN相结合，则能够在更快的采样时间内完成生成新数据的能力。在这项工作中，我们训练了一个对抗DDM与GAN相结合，学习反向去噪过程，依靠一张指导图像，确保每个超声心动图图像的相关解剖结构被保留并呈现在生成的图像样本上。对于几个域翻译操作，结果验证了这样的生成模型能够合成高质量的图像样本：MSE：11.50 +/- 3.69，PSNR（dB）：30.48 +/- 0.09，SSIM：0.47 +/- 0.03。所提出的方法显示出高度的泛化能力，引入了一个框架来创建适用于临床研究目的的超声心动图图像。

论文旨在通过使用深度生成模型，特别是深度对抗去噪模型（DDM）和生成对抗网络（GAN），解决医学图像领域翻译操作的需求，以生成具有足够高图像质量的医学图像，并使其具有临床相关性。

论文使用对抗去噪模型和生成对抗网络相结合的方法，学习逆去噪过程，以生成适用于临床研究目的的心脏超声图像。该方法保证了每个超声图像的相关解剖结构被保留并在生成的图像样本中得到了表征。

论文的实验结果表明，所提出的生成模型能够合成高质量的图像样本，具有高度的泛化能力。该研究为创建适用于临床研究目的的心脏超声图像提供了一个框架。值得关注的是，该方法相比于当前领域的研究，具有更高的图像样本多样性和生成速度。

在医学图像领域翻译操作方面，最近的相关研究包括：1. “Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks”；2. “Dual Adversarial Domain Adaptation for Semantic Segmentation of Brain Tumor”；3. “Deep Learning for Medical Image Segmentation: A Survey”等。