表現学習を用いた医療画像翻訳のための類似性対応の統合潜在拡散モデル

非造影CT（NCCT）画像は画像コントラストと解剖学的可視性を低下させ、診断の不確実性を増加させる可能性があります。それに対して、造影CT（CECT）は関心領域（ROI）の観察を容易にします。特に条件付き拡散モデルを含む先進的な生成モデルは、医療画像モダリティ変換において驚異的な能力を示しています。一般的な条件付き拡散モデルは、医療モダリティ変換のためにセグメンテーションラベルの指導の下で画像を生成することが多いです。真正な指導への限られたアクセスとその低カーディナリティは、条件付き拡散モデルの実際の臨床適用に課題をもたらす可能性があります。生成品質と臨床実践の均衡を図るために、我々は医療画像翻訳のための潜在拡散モデルに基づく新しい統合生成モデル（S²LDM）を提案します。これは推論中に追加の条件を必要とせずに高忠実度の再構成を実現できます。S²LDMは、統合エンコーディングと拡散を通じて異なるモダリティ画像間の類似性を高め、潜在空間内での統合情報を促進し、造影領域の詳細がより強調された医療画像を生成します。しかし、周波数領域の統合潜在空間は低周波数を好む傾向があり、一般的に同一の解剖構造に位置します。したがって、S²LDMは適応的類似性損失と動的類似性を適用して生成を導き、トレーニングプロセス全体で高周波数の詳細不足を補います。定量的実験は、医療画像翻訳における我々のアプローチの有効性を確認します。我々のコードは近日中に公開される予定です。