Key points are not available for this paper at this time.
In einem klinischen Umfeld ist der Erwerb bestimmter medizinischer Bildmodalitäten oft aufgrund verschiedener Überlegungen wie Kosten, Strahlung usw. nicht möglich. Daher sind unübereinstimmende Übersetzungstechniken zwischen Modalitäten, die das Training mit unübereinstimmenden Daten und die Synthese der Zielmodalität unter Anleitung der erfassten Quellmodalität beinhalten, von großem Interesse. Frühere Methoden zur Synthese von Zielmedizinalbildern bestehen darin, ein einmaliges Mapping durch generative gegnerische Netzwerke (GANs) herzustellen. Als vielversprechende Alternativen zu GANs haben Diffusionsmodelle kürzlich großes Interesse an generativen Aufgaben geweckt. In diesem Papier schlagen wir ein zielgerichtetes Diffusionsmodell (TGDM) für unübereinstimmende medizinische Bildübersetzung zwischen Modalitäten vor. Für das Training haben wir, um unser Diffusionsmodell dazu zu bringen, mehr visuelle Konzepte zu lernen, ein auf Wahrnehmung priorisiertes Gewichtsschema (P2W) für die Trainingsziele angenommen. Für das Sampling wird ein vortrainierter Klassifikator im Umkehrprozess eingesetzt, um modalitätsspezifische Rückstände aus den Quelldaten zu entfernen. Experimente mit den Datensätzen Gehirn-MRT-CT und Prostatamrt-US zeigen, dass die vorgeschlagene Methode ein visuell realistisches Ergebnis erzielt, das einen lebendigen anatomischen Abschnitt des Ziellorgans nachahmt. Darüber hinaus haben wir auch eine subjektive Bewertung basierend auf den synthetisierten Proben durchgeführt, um den klinischen Wert des TGDM weiter zu validieren.
Luo et al. (Thu,) untersuchten diese Frage.