基于扩散模型与对比增强掩模引导的非对比CT血管成像技术DiffCTA：突破传统CTA的对比剂依赖

本文推荐一种创新性DiffCTA模型，通过无监督对比增强掩模技术结合对抗扩散生成方法，实现从非对比CT（NCCT）到高质量CT血管成像（CTA）的转换。该技术有效规避碘对比剂（ICA）相关风险，显著提升血管结构重建精度（PSNR达24.74 dB）与临床适用性，为血管疾病诊断提供无创解决方案。

　　

¹亮点（Highlights）

• 本研究首次将对抗扩散模型（Adversarial Diffusion Models）应用于从非对比CT（NCCT）生成CTA图像，有效解决了传统基于生成对抗网络（GAN）方法存在的训练不稳定问题，同时克服了常规扩散模型在细节捕捉和生成质量方面的局限性。

• 研究开创性地在NCCT到CTA图像生成中引入掩模引导技术，显著提升了生成CTA图像的质量，尤其在受对比剂影响的临床关键区域表现突出。

• 设计了一种无监督对比增强掩模（Unsupervised Contrast-enhanced Mask），并结合一系列对比感知技术——包括对比增强注意力机制（Contrast-enhanced Attention）、对比感知判别器（Contrast-aware Discriminator）和掩模引导的PatchNCE损失函数（Mask-guided PatchNCE Loss）。这些创新共同提高了血管结构的准确性，通过精准定位临床相关对比区域并减轻像素错位（Pixel Misalignment）的负面影响，使生成的CTA图像中的血管结构更为精确。

²方法（Methods）

本研究提出了一种新型扩散模型DiffCTA，通过掩模引导技术进行增强，专为高精度CTA生成而设计。该模型整合了对比感知生成对抗网络（Contrast-aware GAN），以支持高效且准确的反向扩散采样过程。如图2(b)所示，在训练阶段，采用配对的NCCT和CTA数据集，在无监督对比增强掩模的指导下执行域到域的图像转换。在推理阶段，完全训练好的模型生成CTA图像。

数据集（Dataset）

数据集包含150组配对的CTA和NCCT扫描，这些扫描来自匿名患者，且每位患者的两次扫描在同一成像会话中完成。CTA扫描在注射对比剂后执行，而NCCT扫描则通过对相应CTA图像进行光谱分解以去除碘成分来生成。研究对初始200例病例进行了严格的质量控制，排除了存在伪影或解剖结构覆盖不完整的案例。数据集涵盖了多种血管疾病病例。

定量评估（Quantitative Evaluation）

将DiffCTA与多种先进的图像到图像转换模型进行了比较评估，这些模型包括基于GAN的方法，如Pix2Pix、CycleGAN、CTA-GAN、UNIT、MUNIT和NICE-GAN，以及基于扩散的模型DDPM、SynDiff和Fast-DDPM。如表1所示，DiffCTA在多项定量指标上均优于所有竞争方法，最高值以粗体标出。特别地，其达到了24.74 dB的峰值信噪比（PSNR），超越了所有对比模型。

结论（Conclusion）

本研究推出的DiffCTA是一种从非对比CT扫描生成CT血管成像（CTA）图像的新型模型，其设计旨在解决训练稳定性、对比区域细节保留以及小血管重建准确性方面的局限。提出的框架整合了多项关键创新：一种用于引导图像生成的无监督对比增强掩模、一个优先生成受对比剂影响区域的对比增强注意力机制、一个对比感知判别器。