대항 확산 확률적 모델을 통한 비페어 MRI 대비 변환

획득된 대비에서 변환하여 MRI 프로토콜에서 누락된 대비를 합성하는 것은 장시간 검사를 통해 발생하는 비용을 줄일 수 있습니다. 현재의 학습 기반 변환 방법은 목표 대비의 분포를 암시적으로 특징 짓는 생성적 적대 신경망(GAN)에 주로 기반하고 있으며, 합성된 이미지의 충실도에 한계가 있습니다. 여기에서는 고효율, 고충실도의 대비 변환을 위한 새로운 조건부 적대 확산 모델인 SynDiff를 제시합니다. SynDiff는 결합된 확산 프로세스와 사이클 일관성 아키텍처 덕분에 비페어 데이터 세트에서 훈련할 수 있게 합니다. 다중 대비 MRI 데이터 세트에 대한 데모는 경쟁하는 GAN 및 확산 모델에 대한 SynDiff의 우수성을 나타냅니다.