Modèle de diffusion latent syncrétique conscient de la similarité pour la traduction d'images médicales avec apprentissage de représentation

L'imagerie CT non contraste (NCCT) peut réduire le contraste des images et la visibilité anatomique, ce qui peut augmenter l'incertitude diagnostique. En revanche, la CT avec contraste (CECT) facilite l'observation des régions d'intérêt (ROI). Les modèles génératifs de pointe, en particulier le modèle de diffusion conditionnelle, montrent des capacités remarquables dans la transformation de modalité d'images médicales. Les modèles de diffusion conditionnelle typiques génèrent généralement des images avec l'orientation des étiquettes de segmentation pour la transformation de modalité médicale. Un accès limité à une orientation authentique et sa faible cardinalité peuvent poser des défis à l'application clinique pratique des modèles de diffusion conditionnelle. Pour atteindre un équilibre entre la qualité générative et les pratiques cliniques, nous proposons un nouveau modèle génératif syncrétique basé sur le modèle de diffusion latent pour la traduction d'images médicales (S²LDM), qui peut réaliser une reconstruction de haute fidélité sans demande de condition supplémentaire lors de l'inférence. S²LDM améliore la similarité dans des images de modalités distinctes via l'encodage syncrétique et la diffusion, promouvant l'amalgamation d'informations dans l'espace latent et générant des images médicales avec plus de détails dans les régions améliorées par le contraste. Cependant, les espaces latents syncrétiques dans le domaine de la fréquence ont tendance à favoriser les basses fréquences, se localisant généralement dans des structures anatomiques identiques. Ainsi, S²LDM applique une perte de similarité adaptative et une similarité dynamique pour guider la génération et compenser le manque de détails à haute fréquence tout au long du processus d'entraînement. Des expériences quantitatives confirment l'efficacité de notre approche dans la traduction d'images médicales. Notre code sera publié prochainement.