精选理由
这篇论文针对3D MRI跨对比度合成中潜在空间语义丢失的问题，用LHE、SRB和AFL三个模块提升了重建质量，效果不错。
本文提出一种语义优先的潜在建模框架用于3D MRI重建与跨对比度合成。现有压缩架构存在三个问题：长程解剖连贯性保存不足、临床语义丢失、优化目标导致重建过于平滑。该方法引入Latent Harmonization Encoder (LHE)捕获全局解剖依赖，设计Semantic Recovery Block (SRB)从自监督语义教师注入高级先验，并采用Anatomy-aware Frequency Loss (AFL)保留诊断相关高频结构。在两个公开多对比度MRI数据集上的实验表明，该方法在重建保真度和跨对比度合成质量上均有一致改进。
AI 翻译 · 中文
本文提出一种语义优先的潜在建模框架用于3D MRI重建与跨对比度合成。现有压缩架构存在三个问题：长程解剖连贯性保存不足、临床语义丢失、优化目标导致重建过于平滑。该方法引入Latent Harmonization Encoder (LHE)捕获全局解剖依赖，设计Semantic Recovery Block (SRB)从自监督语义教师注入高级先验，并采用Anatomy-aware Frequency Loss (AFL)保留诊断相关高频结构。在两个公开多对比度MRI数据集上的实验表明，该方法在重建保真度和跨对比度合成质量上均有一致改进。
Multi-contrast magnetic resonance imaging (MRI) provides complementary information for clinical diagnosis. However, acquiring all MRI sequences is often time-consuming and costly. Recent generative models perform cross-c…