Prob-BBDM：一种用于MRI序列图像到图像翻译的概率性布朗桥扩散模型

# Prob-BBDM：一种用于MRI序列图像到图像翻译的概率布朗桥扩散模型
来源：https://arxiv.org/abs/2606.24313
作者：Martin Valls (https://arxiv.org/search/cs?searchtype=author&query=Valls,+M) (UFR SFA (Poitiers), XLIM-ASALI, LabCom I3M (Poitiers))，Pascal Bourdon (https://arxiv.org/search/cs?searchtype=author&query=Bourdon,+P) (UFR SFA (Poitiers), LabCom I3M (Poitiers), XLIM-ASALI)，Christine Fernandez-Maloigne (https://arxiv.org/search/cs?searchtype=author&query=Fernandez-Maloigne,+C) (LabCom I3M (Poitiers), XLIM-ASALI, UFR SFA (Poitiers))，Guillaume Herpe (https://arxiv.org/search/cs?searchtype=author&query=Herpe,+G) (CHU Poitiers -- Radio, DACTIM-MIS (Poitiers), LabCom I3M (Poitiers))，David Helbert (https://arxiv.org/search/cs?searchtype=author&query=Helbert,+D) (UFR SFA (Poitiers), XLIM-ASALI, LabCom I3M (Poitiers))

查看 PDF (https://arxiv.org/pdf/2606.24313)

> **摘要：** 基于人工智能的图像到图像合成技术正在迅速发展，并在医学成像领域得到越来越多的应用。多模态图像分析在优化检查质量方面发挥着关键作用，但在临床环境中获取多种成像模态仍需要大量资源和时间，尤其是对于3D成像。为解决这一挑战，我们提出了一种基于布朗桥扩散模型（BBDM）的新型图像到图像翻译模型，该模型能够从2D轴向切片合成磁共振成像（MRI）序列。我们的方法集成了变分编码器引导的扩散机制，利用概率图像分布来提升合成质量。在BraTS 2021数据集上的评估显示，我们的概率BBDM（Prob-BBDM）在多个翻译任务中均取得了优越性能，SSIM最高达88.46%，PSNR达26.09 dB，且相较于基线方法有持续改进。值得注意的是，我们的扩散过程仅需4步，在保持高质量合成的同时具备计算效率。为进一步验证泛化能力，我们在外部第三方数据集上测试了Prob-BBDM，并在不同领域上展现了稳定性能。此外，我们通过将合成切片输入预训练分割模型来评估其临床实用性。肿瘤分割的Dice得分为88.71%，HD95为3.49 mm，证实合成切片保留了关键的诊断信息。这些结果凸显了Prob-BBDM在实现高质量、高效且可泛化的MRI合成方面的潜力，为改进医学图像翻译迈出了有希望的一步。

## 提交历史

来自：David Helbert [查看电子邮件 (https://arxiv.org/show-email/8934563e/2606.24313)] [通过CCSD代理] **[v1]** 2026年6月23日，星期二 08:47:17 UTC (1,754 KB)