Prob-BBDM：基于概率布朗桥扩散模型的 MRI 序列图像翻译

背景

在医学影像领域，多模态图像分析对于优化检查质量和诊断准确性至关重要。然而，在临床环境中获取多种成像模态（例如同时获取 T1、T2、FLAIR 等多种 MRI 序列）不仅资源消耗巨大，而且耗时漫长，尤其是对于 3D 成像而言，这一挑战更为显著。

随着人工智能驱动的图像到图像（Image-to-Image, I2I）合成技术的快速发展，利用 AI 从一种模态生成另一种模态成为了解决上述痛点的重要方向。传统的扩散模型（Diffusion Models）虽然生成质量高，但往往需要大量的去噪步骤，导致计算成本高昂且推理速度慢。为了在保持高合成质量的同时提高计算效率，并解决临床数据获取困难的问题，研究人员提出了一种基于布朗桥扩散模型（Brownian Bridge Diffusion Models, BBDM）的新颖图像翻译方法。

核心内容

本文提出了一种名为 Prob-BBDM（Probabilistic Brownian Bridge Diffusion Model，概率布朗桥扩散模型）的框架，旨在通过 2D 轴位切片合成磁共振成像（MRI）序列。该研究的核心在于将变分编码器引导的扩散机制与概率图像分布相结合，以增强合成图像的质量。

1. 模型架构与机制 Prob-BBDM 基于布朗桥扩散模型构建。与传统扩散模型不同，布朗桥模型通过定义从源图像分布到目标图像分布的随机过程，能够在更少的步骤内完成图像转换。研究团队引入了变分编码器（Variational Encoder）来引导扩散过程，利用概率图像分布的特性，使模型能够更精准地捕捉医学影像中的细微结构和纹理特征。

2. 实验评估与性能 研究团队在 BraTS 2021 数据集上对 Prob-BBDM 进行了广泛评估，该数据集是脑肿瘤分割领域的标准基准。实验结果显示，Prob-BBDM 在多个图像翻译任务中均表现优异：

• 结构相似性指数（SSIM）：最高达到 88.46%。
• 峰值信噪比（PSNR）：最高达到 26.09 dB。
• 相比基线模型，Prob-BBDM 在所有指标上均实现了 consistent improvements（持续改进）。

3. 计算效率 一个显著的突破是，Prob-BBDM 的扩散过程仅需 4 个步骤 即可完成图像合成。这一特性使得模型在保持高质量合成的同时，极大地降低了计算复杂度，使其在临床实际应用中更具可行性。

4. 泛化能力验证 为了验证模型的泛化能力，研究团队还在一个外部的第三方数据集上测试了 Prob-BBDM。结果表明，模型在不同数据域之间表现一致，证明了其良好的跨域泛化性能。

5. 临床实用性评估 除了视觉质量评估，研究还重点考察了合成切片在下游任务中的临床价值。研究人员将合成的 MRI 切片作为输入，提供给一个预训练的分割模型进行肿瘤分割测试。结果如下：

• Dice 系数：达到 88.71%。
• HD95（95% 豪斯多夫距离）：为 3.49 mm。

这些指标证实，Prob-BBDM 合成的切片保留了关键的诊断信息，能够支持高精度的肿瘤分割任务，从而具备实际的临床应用潜力。

关键要点

• 创新模型：提出了 Prob-BBDM，一种基于布朗桥扩散模型的概率图像翻译框架，专门用于 MRI 序列的合成。
• 高效推理：扩散过程仅需 4 步，显著优于传统扩散模型，实现了计算效率与生成质量的平衡。
• 卓越性能：在 BraTS 2021 数据集上，SSIM 高达 88.46%，PSNR 达 26.09 dB，优于现有基线方法。
• 变分引导：引入变分编码器引导扩散机制，利用概率分布增强合成图像的保真度。
• 强泛化性：在外部第三方数据集上验证了模型的一致性表现，证明了其跨域适应能力。
• 临床价值：合成的图像可直接用于下游分割任务，肿瘤分割 Dice 系数达 88.71%，HD95 为 3.49 mm，证实了合成数据在保留关键诊断信息方面的有效性。

意义与影响

Prob-BBDM 的研究成果为医学图像合成领域提供了一个高效且高质量的解决方案。其意义主要体现在以下几个方面：

1. 优化临床工作流程：通过从少量或单一模态数据合成缺失的 MRI 序列，可以显著减少患者的扫描时间和医院的资源消耗，特别是在需要多模态信息的复杂病例中。
2. 提升数据可用性：对于数据稀缺或标注困难的场景，Prob-BBDM 能够生成高质量、具有诊断价值的合成数据，有助于训练更鲁棒的下游 AI 模型（如分割、分类模型）。
3. 推动扩散模型在医疗领域的落地：通过减少扩散步骤至 4 步，该研究解决了扩散模型推理速度慢的核心痛点，为实时或近实时的临床辅助诊断系统铺平了道路。
4. 增强诊断信心：实验证明合成图像保留了关键的解剖和病理特征，这意味着医生可以利用合成序列辅助诊断，而无需担心因数据缺失导致的误诊风险。

总体而言，Prob-BBDM 展示了概率布朗桥扩散模型在医学图像翻译中的巨大潜力，为实现高质量、高效率且可泛化的 MRI 合成迈出了重要一步。