Puente de Difusión Recursivo Auto-consistente para la Traducción de Imágenes Médicas

Los modelos de difusión para eliminación de ruido (DDM) han ganado terreno recientemente en la traducción de imágenes médicas dado su mejor estabilidad de entrenamiento en comparación con los modelos adversariales. Los DDM aprenden una transformación de eliminación de ruido de múltiples pasos para mapear progresivamente imágenes con ruido gaussiano aleatorio en imágenes de modalidad objetivo, mientras reciben orientación estacionaria de imágenes de modalidad fuente. A medida que esta transformación de eliminación de ruido se desvía significativamente de la transformación fuente a objetivo relevante para la tarea, los DDM pueden sufrir de una débil orientación de modalidad fuente. Aquí, proponemos un nuevo puente de difusión recursivo auto-consistente (SelfRDB) para mejorar el rendimiento en la traducción de imágenes médicas. A diferencia de los DDM, SelfRDB emplea un nuevo proceso hacia adelante con puntos de inicio y fin definidos según las imágenes de objetivo y fuente, respectivamente. Las muestras de imagen intermedias a lo largo del proceso se expresan a través de una distribución normal con una media tomada como una combinación convexa de los puntos de inicio y fin, y una varianza de ruido aditivo. A diferencia de los puentes de difusión regulares que prescriben varianza cero en los puntos de inicio y fin y alta varianza en el punto medio del proceso, proponemos una nueva programación de ruido con varianza que aumenta monótonamente hacia el punto final para potenciar el rendimiento de generalización y facilitar la transferencia de información entre las dos modalidades. Para mejorar aún más la precisión de muestreo en cada paso inverso, proponemos un nuevo procedimiento de muestreo donde la red genera recursivamente una estimación transitoria de la imagen objetivo hasta que converge en una solución auto-consistente. Análisis exhaustivos en traducción de MRI de múltiples contrastes y MRI-CT indican que SelfRDB ofrece un rendimiento superior en comparación con métodos competidores.