FetalDiffusion: Pose-Controllable 3D Fetal MRI Synthesis with Conditional Diffusion Model

胎儿MRI的质量受到胎动的不可预测和显著影响，即使采用快速采集序列，也会引入伪影。基于体积EPI胎儿MRI的3D实时胎位估计方法的开发为胎动监测和预测打开了一个有前途的途径。胎儿姿态估计面临挑战，因为实际扫描的胎儿MR训练图像数量有限，当获取的胎儿MRI缺乏足够的姿态时，模型泛化受到限制。在本研究中，我们介绍了一种新的方法FetalDiffusion，利用条件扩散模型生成具有可控姿态的3D合成胎儿MRI。此外，采用辅助姿态级别损失来增强模型性能。我们的研究通过生成高质量的合成胎儿MRI图像，展示了该模型的成功，这些图像具有准确和可识别的胎儿姿态，并且与体内真实胎儿MRI相比，表现良好。此外，我们还展示了合成胎儿MR图像的整合增强了胎儿姿态估计模型的性能，特别是在可用实际扫描数据数量有限的情况下，导致PCK增加15.4％，平均误差减少50.2％。所有实验均在单个32GB V100 GPU上完成。我们的方法有望改善实时跟踪模型，从而更有效地解决胎动问题。

如何解决胎儿MRI图像中胎动造成的伪影问题，以及如何提高胎位估计模型的性能？

使用条件扩散模型生成具有可控姿态的3D合成胎儿MRI图像，并采用辅助姿态级别损失来提高模型性能。

论文提出的FetalDiffusion方法生成的合成胎儿MRI图像质量高，姿态准确。在数据不足的情况下，集成合成图像可以提高胎位估计模型的性能。实验使用的数据集为实际胎儿MRI图像，实验结果表明该方法可以有效解决胎动造成的伪影问题。

近期相关研究包括： 1. Fetal MRI using deep learning with multi-channel attention. 2. Fetal pose estimation using convolutional neural networks. 3. Fast and robust fetal pose estimation in 3D MRI using deep learning.