摘要

本文针对医学图像合成中的对齐噪声问题，提出了一种基于注册引导一致性和解耦学习的方法。传统的医学图像合成方法在处理不同模态图像间的对齐问题时，往往忽视了合成模块和注册模块之间的任务特定约束，导致合成图像在训练过程中仍然存在空间对齐问题。本文提出的注册引导一致性架构通过在合成前后应用相同的变形场，并引入对齐损失来强制输出一致性，从而促进了合成模块和注册模块的任务特定性。此外，合成模块通过解耦学习能够分离解剖结构和特定风格，并通过解剖一致性损失进一步在潜在空间中保持几何完整性。实验结果表明，该方法在腹部CECT-CT和公开的骨盆MR-CT数据集上均显示出优越的性能。

原理

本文提出的方法主要包含两个关键部分：注册引导一致性架构和解剖一致性解耦合成（ACDS）模块。注册引导一致性架构通过确保合成网络和注册网络在应用相同变形场前后的输出一致性，来消除对齐噪声的影响。ACDS模块则通过解耦学习分离图像的解剖结构和风格特征，并通过解剖一致性损失确保在合成过程中保持解剖结构的完整性。

流程

1. 注册引导一致性架构：首先，注册模块生成一个变形场，然后分别在合成前和合成后应用此变形场，通过对齐损失确保两次合成结果的一致性。
2. ACDS模块：该模块包含两个内容编码器和两个风格编码器，分别将输入图像编码为解剖不变空间和模态特定风格空间，然后通过生成器结合这些特征合成图像。此外，通过解耦学习和解剖一致性损失，确保合成图像在保持风格的同时，解剖结构的一致性。

应用

该方法在医学图像合成领域具有广泛的应用前景，特别是在需要从一种成像模态预测另一种模态的场景中，如MRI-only放射治疗计划和减少CT注册误差等。通过提高合成图像的质量和准确性，该方法有望在临床诊断和治疗规划中发挥重要作用。