.png){kind=icon}
返回
Edge-guided conditional diffusion model for multi-contrast MRI super-resolution
.png){kind=icon}
PRE
AI
DOI：10.1016/j.inffus.2025.103514.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多对比度MRI超分辨率借助辅助解剖引导已作为一种加速临床成像协议的关键策略出现。尽管扩散模型（DMs）在该领域展现出有前景的能力，但两个关键局限性阻碍了其诊断适用性：(1) 对多对比度输入中高频边缘特征的不足利用，导致解剖学上不一致的边界构建，以及(2) 刚性融合机制未能充分模拟跨模态依赖性，从而造成结构失真。为解决这些挑战，我们提出了边缘引导条件扩散模型（即Eg-Diff）用于多对比度MRI超分辨率。为保留高频解剖学细节，我们设计了高频注入编码器，其中通过可学习检测算子捕获的对比度自适应边缘特征被用于分层注入。此外，为促进多模态协同，开发了自适应多模态特征融合。通过对比度加权门控和K选择性平衡注意力，它动态校准辅助引导，实现了精确的辅助先验利用同时抑制模态偏差。在反向扩散过程中，为最小化噪声干扰，我们提出了一种前瞻性激活策略，该策略将边缘特征作为扩散的先验条件进行判别性整合。在IXI和MRBrainS13数据集上的广泛实验表明，Eg-Diff优于当前最先进方法，突显了其临床应用潜力。
Keyword:
multi-contrast MRI
super-resolution
diffusion models
edge-guided
feature fusion
期刊
IF:
15.5
论文数:
4.2K
被引数:
2.7W
机构
查看更多机构
引用论文
暂无论文信息