DiffGEPCI: 3D MRI Synthesis from mGRE Signals using 2.5D Diffusion Model

我们介绍了一个名为DiffGEPCI的新框架，用于使用2.5D条件扩散模型进行磁共振成像（MRI）的跨模态生成。DiffGEPCI可以合成高质量的流体衰减反转恢复（FLAIR）和磁化制备-快速梯度回波（MPRAGE）图像，无需获取相应的测量数据，通过利用多梯度回波回波（mGRE）MRI信号作为条件输入。DiffGEPCI以两步方式操作：它最初逐层估计3D体积，使用轴面，然后应用改进算法（称为2.5D）来提高冠状面和矢状面的质量。对真实mGRE数据的实验验证表明，DiffGEPCI实现了出色的性能，超越了生成对抗网络（GAN）和传统扩散模型。

该论文旨在使用2.5D条件扩散模型，利用多梯度回波MRI信号作为条件输入，合成高质量的FLAIR和MPRAGE图像，以解决MRI图像合成中的跨模态生成问题。

DiffGEPCI框架通过先在轴向平面上逐层估计3D体积，然后应用改进算法（称为2.5D）来增强冠状和矢状平面的质量，从而实现MRI图像的跨模态生成。

论文在真实的mGRE数据上进行了实验验证，并表明DiffGEPCI在性能上优于生成对抗网络（GANs）和传统扩散模型。此外，论文还提供了可重复的实验设计，开源代码和使用的数据集。

最近的相关研究包括：1. 'MRI图像合成的生成对抗网络：一项系统性评价' 2. '基于条件生成对抗网络的MRI图像合成方法' 3. '一种基于深度学习的MRI图像合成方法'