摘要
随着全身多模态医学成像扫描仪在医学应用中的日益重视，PET-MR扫描中过长的获取时间成为提高临床效率的一大障碍。基于深度学习的MRI转换提供了缩短扫描时间的潜在解决方案。然而，当前模型往往专注于特定解剖区域，面临全身扫描中由于不同解剖区域和病变或病理组织导致的高度异质特征分布的挑战。本文提出了一种新颖的异质自适应扩散薛定谔桥（HA-DSB）框架，旨在解决这些挑战。
HA-DSB通过明确将转换建模为源分布与目标分布之间的随机传输，结合从视觉-语言模型（VLM）中提取的区域上下文嵌入，实现区域特定建模。为了增强病理组织的真实感，病变感知的代谢先验直接通过双阶段引导机制整合到桥的动态中。具体而言，PET引导的噪声调制模块在前向过程中自适应地缩放空间扩散扰动，而在反向过程中则利用PET特征来选择性地放大与病变相关的结构，通过注意机制实现。
实验结果表明，我们的方法在全身MRI转换中在不同身体区域表现出优越性，并在PET引导下改善了病变区域的转换质量。我们的代码已在GitHub上发布。
博主点评： 本文通过提出HA-DSB框架，成功解决了全身MRI转换中的异质性问题，特别是在病变区域的表现上有显著提升，展示了深度学习在医学成像领域的潜力与应用前景。尤其是结合PET信息的创新思路，为未来的临床应用铺平了道路。