Denoising Diffusion Models for 3D Healthy Brain Tissue Inpainting

对于影响大脑结构完整性的疾病的监测需要自动分析磁共振（MR）图像，例如用于体积变化的评估。然而，许多评估工具都是针对健康组织进行优化的。因此，为了评估包含病理组织的扫描，需要恢复病理区域中的健康组织。在这项工作中，我们探索和扩展了去噪扩散模型，以一致地修补健康的三维脑组织。我们修改了在图像空间中工作的最先进的2D、伪3D和3D方法，以及3D潜在和3D小波扩散模型，并训练它们合成健康的脑组织。我们的评估显示，伪3D模型在结构相似性指数、峰值信噪比和均方误差方面表现最佳。为了强调其临床相关性，我们在包含合成多发性硬化病变的数据上微调了这个模型，并在下游的脑组织分割任务中进行了评估，结果表明它的表现优于已有的FMRIB软件库（FSL）病变填充方法。

论文旨在解决通过自动分析磁共振（MR）图像监测影响脑结构完整性的疾病的问题，但许多评估工具都是针对健康组织进行优化的，需要对病理组织进行恢复，以便进行评估。

论文提出了一种基于扩散模型的图像修复方法，通过修改现有的2D、伪3D和3D方法以及3D潜变量和3D小波扩散模型，在图像空间中训练模型来合成健康的脑组织，最终在数据集中的MS病变上进行了fine-tune，并在下游大脑组织分割任务中取得了更好的结果。

论文中使用了多种方法进行实验比较，发现伪3D模型在结构相似性指数、峰值信噪比和均方误差方面表现最佳；论文还fine-tune了该模型并在大脑组织分割任务中取得了更好的结果；研究结果对于通过MR图像监测脑部疾病具有重要的临床意义。

近期相关研究包括：1. "A Deep Learning Approach to Unsupervised Ensemble Learning for Brain Tumor Segmentation"；2. "A Survey on Deep Learning in Medical Image Analysis"；3. "Brain Tumor Segmentation Using Deep Learning: A Systematic Review"。