arXiv cs.AI· Xihe Qiu, Yang Dai, Xiaoyu Tan, Sijia Li, Fenghao Sun, Lu Gan, Liang Liu·· 9 天前AI 评分24
SRUG：一种用于医学图像翻译的融合驱动生成器网络
SRUG: A Fusion-Driven Generator Network for Medical Image Translation
AI 导读
SRUG 是一种监督式独立融合驱动生成器，通过确定性源到目标映射实现配对 MRI 合成，无需生成器-判别器对抗、变分隐变量采样或迭代扩散去噪。该模型采用适配图像重建的残差编码器与嵌套多尺度解码器（NMD），结合 L1 损失和多尺度结构损失（MSS loss）联合监督。
正文 · AI 翻译
摘要：MRI 序列合成旨在恢复缺失的图像对比度，同时保留患者特有的解剖结构。生成机制的选择既影响优化过程，也影响源信息到达合成图像的方式。在本研究中，我们提出 SRUG，一种监督式独立融合驱动的生成器，它为配对 MRI 合成学习确定性的源到目标映射。其直接重建公式消除了生成器-判别器竞争，既不需要变分潜变量采样，也不需要迭代扩散去噪。为在该公式中支持结构保真度，SRUG 使用适配图像重建的残差编码器，具有全分辨率卷积主干、池化分离的特征阶段，以及嵌入残差分支中的通道重校准。嵌套多尺度解码器（NMD）反复融合所得的空间特征，并通过单一输出头预测目标序列。L1 损失和多尺度结构损失（MSS 损失）联合监督预测，将直接生成目标与解剖细节恢复联系起来。在 BraTS 2023 上的实验表明，在三个 MRI 转换任务中具有有竞争力的重建保真度和结构一致性。架构消融评估了同一生成器框架内通道重校准、NMD 和结构监督的效果。在 IXI 上的额外评估支持其对另一数据集和模态对的适用性，而在 BraTS 2019 上的零样本测试为跨数据集可迁移性提供了初步证据。这些结果支持将直接监督生成作为配对 MRI 序列合成的一种实用方法，其中适配的编码和重建路径为结构保留提供了基础。SRUG 的实现已公开于 此 https URL。
| 评论： | 18 页，15 幅图，4 张表。代码：此 https URL |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2601.04785 [cs.CV] |
| （或 arXiv:2601.04785v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2601.04785 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Yang Dai [查看电子邮件]
[v1]
2026 年 1 月 8 日星期四 10:10:03 UTC（11,406 KB）
[v2]
2026 年 10 月 8 日星期四 08:44:54 UTC（20,659 KB）
来源：arXiv cs.AI · arxiv.org