Mapeamento de CT para MRI usando GAN condicional baseado em difusão para frente

Resumo A tradução de imagens médicas entre modalidades é um tópico de pesquisa vital no domínio da imagem médica, que permite que especialistas médicos obtenham imagens médicas multimodais e, assim, tomem decisões mais informadas. Por outro lado, o modelo de difusão de remoção de ruído emergente tem recebido cada vez mais atenção, pois pode sintetizar amostras de maior qualidade e mais diversas em comparação com outros modelos generativos, como VAE e GAN. No entanto, sua principal desvantagem é que possui uma inferência muito lenta. Para aproveitar o modelo de difusão de remoção de ruído para sintetizar imagens médicas multimodais de qualidade muito superior, enquanto se tem uma inferência rápida, no artigo propomos um modelo de GAN condicional baseado em difusão para frente e o aplicamos para traduzir de CT volumétrico para MRI. Este modelo consiste em três componentes principais: a difusão para frente é usada para adicionar iterativamente ruído aos dados claros para obter dados ruidosos. O gerador é usado para gerar dados claros diretamente a partir de ruído aleatório puro. O discriminador é usado para distinguir os dados claros falsos sintetizados pelo gerador dos reais. Para mostrar a eficácia e superioridade do nosso método, aplicamos dois conjuntos de dados clínicos a ele, e conduzimos experimentos comparativos qualitativa e quantitativamente e estudos de ablação. Os resultados experimentais mostram que, em comparação com os métodos de tradução de última geração, nosso método pode realizar uma síntese de CT volumétrico para MRI mais precisa, mantendo uma inferência rápida. Os resultados experimentais também mostram que nosso método compromete o contraste e os detalhes, mas com melhores intensidades e brilho em comparação com o modelo de difusão.