Similarity-aware Syncretic Latent Diffusion Model for Medical Image Translation with Representation Learning

非对比增强CT（NCCT）成像可能会降低图像对比度和解剖可见度，可能增加诊断不确定性。相比之下，增强CT（CECT）有助于观察感兴趣区域（ROI）。领先的生成模型，特别是条件扩散模型，在医学图像模态转换方面展示了出色的能力。典型的条件扩散模型通常会在医学模态转换的指导下生成带有分割标签的图像。有限的真实指导访问和低基数可能对条件扩散模型的实际临床应用造成挑战。为了实现生成质量和临床实践的平衡，我们提出了一种基于潜在扩散模型的医学图像转换综合生成模型（S$^2$LDM），它可以在推断过程中实现高保真重建而无需额外的条件。S$^2$LDM通过综合编码和扩散增强不同模态图像之间的相似性，促进潜在空间中合并的信息，并生成具有更多对比增强区域细节的医学图像。然而，频域中的综合潜在空间往往偏爱较低的频率，通常位于相同的解剖结构中。因此，S$^2$LDM应用自适应相似性损失和动态相似性来指导生成，并在训练过程中补充高频细节的不足。定量实验证实了我们方法在医学图像转换中的有效性。我们的代码将会很快发布。

论文旨在解决医学影像转换中缺乏真实引导的问题，提出一种基于Syncretic生成模型的方法，实现高保真重建，同时不需要额外的条件。

论文提出了一种基于S$^2$LDM的Syncretic生成模型，通过合成编码和扩散来增强不同模态图像之间的相似性，从而在潜空间中促进信息融合，并生成更具细节的医学影像。

论文使用自适应相似性损失和动态相似性来指导生成，并通过量化实验证实了该方法的有效性。作者将在后续发布代码。

最近的相关研究包括使用条件扩散模型的医学图像转换和其他生成模型的医学图像转换，如CycleGAN和StarGAN。