Boosting Medical Image Synthesis via Registration-guided Consistency and Disentanglement Learning

医学图像合成仍然具有挑战性，因为在训练过程中存在对齐噪声。现有方法尝试通过加入注册引导模块来解决这个问题。然而，这些方法往往忽视了合成和注册模块的任务特定约束，这可能导致合成模块在训练过程中仍然生成与目标图像不对齐的图像，而不管注册模块的功能如何。因此，本文提出了注册引导一致性，并结合解缠结学习进行医学图像合成。所提出的注册引导一致性架构通过在合成之前和之后应用相同的变形场，同时通过对齐损失强制实施输出一致性，来促进合成和注册模块内的任务特异性。此外，合成模块被设计为具有在各种模态下解缠解剖结构和特定风格的能力。引入解剖一致性损失，进一步强制合成模块在潜在空间内保持几何完整性。在内部腹部CECT-CT数据集和公开的盆腔MR-CT数据集上进行的实验表明，所提出的方法具有优越性。

本文旨在解决医学图像合成中的对齐噪声问题，提出了注册引导的一致性和解缠学习的方法。

该方法通过注册引导的一致性架构，在合成前后应用相同的变形场，并通过对齐损失强制输出一致性，同时引入解缠学习来使合成模块具有分离解剖结构和特定风格的能力，并通过解剖一致性损失进一步强制保持潜在空间的几何完整性。

实验使用了一个内部的腹部CECT-CT数据集和一个公开的盆腔MR-CT数据集，证明了该方法的卓越性能。该方法还具有可解释性和可重复性，并为医学图像合成提供了一种新的思路。

在医学图像合成领域，已有的研究主要集中在生成对抗网络（GAN）和变分自编码器（VAE）上。例如，CycleGAN和UNIT等GAN模型，以及MUNIT和DRIT等VAE模型。