基于提升层间特征轨迹的高效因子化体数据合成

高分辨率 3D 医学图像生成仍然具有挑战性，因为完全体素化的模型计算成本高昂，而高效的 2D 切片生成器往往无法在第三维上保持解剖学一致性。我们提出 LiFT，一个用于提升的切片间特征轨迹（Lifted inter-slice Feature Trajectories）的框架，它将 3D 体数据合成分解为逐切片图像生成和切片间轨迹学习。LiFT 不使用完全体素化的合成主干网络，而是将体数据视为特征空间中的有序轨迹，捕捉解剖结构在深度方向上如何出现、变换和消失。我们在无条件设置和条件设置下都展示了 LiFT 框架。在无条件生成中，三平面漂移损失在三个正交平面上匹配生成体数据与真实体数据之间的特征分布；在配对翻译中，一个使用配对目标监督训练的双向 $z$-上下文混合器提供穿平面连贯性，同时保持逐切片保真度。我们在 BraTS 2023 上评估 LiFT 的无条件合成和缺失模态 MR 合成，并在 SynthRAD2023 上评估 MR 到 CT 的翻译。LiFT 在保持以 2D 合成为主的效率的同时实现了有竞争力的图像质量，运行速度比体素扩散基线快最多 $390\times$，并通过显式的切片间建模持续改善穿平面连贯性。这些结果确立了轻量级切片间轨迹学习作为高分辨率 3D 医学合成的一种高效方法。

中文由 AI 翻译，仅供参考，以原文为准。