MedEdit: Counterfactual Diffusion-based Image Editing on Brain MRI

去噪扩散概率模型可以实现高保真度的图像合成和编辑。在生物医学领域，这些模型可以促进反事实图像编辑，生成一对图像，其中一个被编辑以模拟假设条件。例如，它们可以模拟特定疾病的进展，如中风损伤。然而，当前的图像编辑技术通常无法生成逼真的生物医学反事实图像，要么是因为没有充分建模间接病理效应，如脑萎缩，要么是因为过度改变扫描，破坏了与原始图像的对应关系。因此，我们提出了MedEdit，一种用于医学图像编辑的条件扩散模型。MedEdit在保持原始扫描完整性的同时，引入了特定区域的病理学效应。我们使用Frechet Inception距离和Dice分数在Atlas v2.0中风数据集上评估了MedEdit，超过了Palette（45%）和SDEdit（61%）等最先进的基于扩散的方法。此外，由一位获得认证的神经放射科医师进行的临床评估证实，MedEdit生成的逼真中风扫描与真实扫描无法区分。我们相信，这项工作将促进反事实图像编辑研究，进一步推动逼真且具有临床实用价值的成像工具的发展。

本论文旨在解决当前医学图像编辑技术在模拟疾病进展时存在的问题，如模拟间接病理效应和过度修改扫描等问题。

本论文提出了一种名为MedEdit的条件扩散模型，可以在特定区域引入病变，平衡疾病效应的建模和保持原始扫描完整性之间的关系。

MedEdit在Atlas v2.0中的测试中表现出色，比Palette提高了45％，比SDEdit提高了61％。经过临床放射科医师的评估，确认MedEdit生成的中风扫描与真实扫描无法区分。该方法可用于进一步开发逼真且具有临床用途的影像工具。

相关研究包括Palette和SDEdit等扩散模型方法，以及其他医学图像编辑技术，如GAN和VAE等。