基于扩散模型的TOF-MRA到CTA跨模态图像合成技术研究及其在脑血管疾病诊断中的应用

本研究针对脑血管疾病诊断中CTA数据稀缺的问题，开发了基于扩散模型的TOF-MRA到CTA跨模态合成技术。研究比较了ADM、U-ViT和DiT-L/16等架构，证实扩散模型在FD分数上显著优于传统U-Net（0.816 vs 10.518），为AI辅助诊断提供了高质量合成数据支撑。

　　

脑血管疾病的精准诊断往往需要多种影像模态协同，但临床实践中存在数据稀缺与模态局限的双重挑战。计算机断层扫描血管造影（CTA）虽在急性卒中诊断中具有时间和空间分辨率优势，但其电离辐射和碘造影剂风险限制了应用；而时间飞跃磁共振血管造影（TOF-MRA）虽无辐射却存在分辨率不足的缺陷。更关键的是，当前开源CTA数据严重匮乏，制约了基于人工智能的动脉瘤分割、大血管闭塞检测等关键技术的发展。

针对这一瓶颈，苏黎世大学医院（University Hospital Zurich）的研究团队在《Medical Image Analysis》发表创新研究，首次系统探索了基于扩散模型的TOF-MRA到CTA跨模态合成技术。研究团队采用TopCoW挑战赛的89例配对影像数据集，创新性地将α-余弦噪声调度与v预测参数化相结合，开发了包含ADM、U-ViT和DiT-L/16在内的多架构对比研究框架。关键技术包括：采用ANTs进行非线性配准、基于CDF 9/7小波的U-ViT架构设计、Min-SNR损失加权策略，以及独创的切片级重采样体积重建方法。

研究结果显示，在256×256切片测试中，DiT-L/16以0.816的FD分数（Fréchet Distance）显著优于U-Net的10.518，证明扩散模型生成图像更符合人类视觉感知。体积合成实验中，U-ViT在外部验证集取得最佳SSIM（0.383）和FD（8.482），而ADM在内部数据保持MAE（45.334）和PSNR（11.998）优势。值得注意的是，传统指标（如U-Net的MSE 9024.022）与FD分数呈现背离现象，揭示现行评估体系对纹理真实性的捕捉不足。

讨论部分强调，该研究首次证实了TOF-MRA到CTA转换的可行性，为稀缺模态数据增强提供了新范式。尽管存在采样耗时（单切片需数分钟）和三维一致性等局限，但合成CTA在辅助动脉瘤筛查、术前规划等场景展现潜力。作者建议未来探索一致性模型加速采样，并通过多中心试验验证诊断效能。这项突破不仅为脑血管AI模型开发解除了数据约束，更开创了跨模态合成技术在医学影像领域的新应用疆界。