重建或生成：探索心脏 MRI 生成建模的光谱-机器学习-心脏磁共振-隐式扩散模型-自回归模型-医学成像.pdfVIP

重建或生成：探索心脏MRI生成建模的光谱

NiklasBubeck,YundiZhang,SuprosannaShit,DanielRueckert,

andJiazhenPan

SchoolofComputation,InformationandTechnology,TechnicalUniversityof

Munich,Germany

MunichCenterforMachineLearning,TechnicalUniversityofMunich,Germany

SchoolofMedicine,KlinikumRechtsderIsar,TechnicalUniversityofMunich,

Germany

DepartmentofQuantitativeBiomedicine,UniversityofZurich,Switzerland

本DepartmentofComputing,ImperialCollegeLondon,UK

译{niklas.bubeck,jiazhen.pan}@tum.de

中

1摘要在医学成像中，生成模型越来越依赖于两个既独立又同样关键的任

v务：重建，目标是恢复医学图像（通常是反问题如插图或超分辨率），以及

6

8生成，目的是创建合成数据以扩充数据集或进行反事实分析。

1尽管架构和学习框架相同，但它们优先考虑不同的目标：生成追求高感知

9

1质量和多样性，而重建则侧重于数据保真度和忠实度。

.在本研究中，我们介绍了一个“生成模型动物园”，并系统地分析了现代潜

7

0在扩散模型和自回归模型如何处理重建与生成之间的光谱问题。

5我们在代表性的心脏医学成像任务上对一系列生成模型进行了基准测试，

2

:重点关注具有不同遮罩比率和采样策略的图像插图以及无条件图像生成。

v我们的研究结果表明，扩散模型在无条件生成中提供了优越的感知质量，

i

x但随着遮罩比率的增加往往会幻觉化，而自回归模型则在整个遮罩水平上

r

a保持稳定的感知性能，尽管通常保真度较低。

Keywords:心脏磁共振·隐式扩散模型·自回归模型

1介绍

生成模型在医学成像中越来越受到重视，为图像重建[1,2,3]、inpaint-

ing[7]、增强[4,5]和数据扩增[6]等一系列任务提供了强大的解决方案。与

自然图像应用相比，临床场景需要更加重视保留解剖学和诊断上重要的细

节。特别是，方法必须平衡两个相互竞争的目标：保真度——通过PSNR或

SSIM等指标捕