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

本文讨论了扩散磁共振成像（dMRI）的重要性及其高昂的采集成本。深度学习方法已被用于增强dMRI，并通过对欠采样的dMRI进行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，但由于训练不稳定和多样性不佳而受到限制。新兴的扩散模型（DM）承诺提高生成性能。然而，将dMRI物理原理和白质束结构等重要信息包含在DM中仍然具有挑战性。本研究提出了一种物理引导的扩散模型，以生成高质量的dMRI。我们的模型将dMRI的物理原理引入了扩散过程中的噪声演化，并在扩散模型中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，我们采用了适配器技术，引入了XTRACT图谱作为白质束的先验知识。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。

论文旨在解决如何生成高质量的扩散磁共振成像（dMRI）的问题，包括如何包含dMRI的物理原理和白质束结构等必要信息。

论文提出了一种物理引导的扩散模型，通过在扩散过程中引入噪声演化的物理原理，并在扩散模型中引入基于查询的条件映射，以生成高质量的dMRI。此外，论文还使用XTRACT图谱作为白质束结构的先验知识。

论文的实验结果表明，该方法优于其他现有的方法，并具有推进dMRI增强的潜力。实验使用了多个数据集，并开源了代码。

在这个领域中，最近的相关研究包括基于深度学习的dMRI增强方法和使用生成对抗网络的dMRI生成方法。