Vai al contenuto
AI.info

Ricerca

Diffusione autoregressiva multiplanare unificata per la sintesi di immagini di risonanza magnetica 3D multicontrasto

Acquisire una serie completa di contrasti per la risonanza magnetica (MRI) richiede molto tempo ed è scomodo per i pazienti, nonostante il valore diagnostico delle immagini multicontrasto. Questo moti

Diffusione autoregressiva multiplanare unificata per la sintesi di immagini di risonanza magnetica 3D multicontrasto
arXiv
2610.09376
Pubblicato
2026-10-07
Autori
Yejee Shin, Geonhui Son, Jinglu Wang, Minwoo Jung, Yan Lu, Dosik Hwang

Abstract degli autori

Acquisire una serie completa di contrasti per la risonanza magnetica (MRI) richiede molto tempo ed è scomodo per i pazienti, nonostante il valore diagnostico delle immagini multicontrasto. Questo motiva la sintesi dei contrasti mancanti a partire da quelli già acquisiti: un problema intrinsecamente 3D, che richiede coerenza anatomica tra i piani assiale, sagittale e coronale. Tuttavia, i modelli generativi interamente 3D sono spesso impraticabili, poiché le risorse computazionali necessarie crescono in modo cubico con le dimensioni del volume. Proponiamo Multi-Plane Autoregressive Diffusion (MPAD), un framework unificato di diffusione latente che permette di sintetizzare interi volumi 3D mediante efficienti operazioni 2D piano per piano, preservando la coerenza volumetrica. Un autoencoder 3D comprime inizialmente le scansioni MRI in una rappresentazione latente 3D isotropa. Un modello di diffusione 2D viene poi addestrato a ricostruire le sezioni latenti mascherate del contrasto di destinazione, usando come condizioni sia le sezioni del contrasto di partenza sia quelle non mascherate del contrasto di destinazione. Durante l’inferenza, introduciamo una sintesi autoregressiva piano per piano con prior interplanari. Le sezioni vengono generate in modo autoregressivo, in ordine casuale, secondo un orientamento del piano per mantenere la continuità al suo interno; vengono poi impiegate come prior di condizionamento per gli orientamenti ortogonali, così da garantire la coerenza tra i piani. Rispetto ai modelli di riferimento di diffusione latente 3D, MPAD riduce i FLOPs di addestramento e inferenza rispettivamente di 7x e 3x, diminuendo anche il tempo di inferenza e il picco di memoria utilizzata. Esperimenti su più dataset dimostrano che MPAD ottiene prestazioni superiori, generando volumi 3D ad alta fedeltà e supportando la traduzione da uno a molti all’interno di un unico modello unificato.

Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.

Leggi il paper originale su arXiv