DMD 기반 증강된 쌍을 이루지 않는 신경망 슈뢰딩거 브리지: 초저장 MRI 성능 향상

IntroductionDMD-augmented Unpaired Neural Schrödinger Bridge for Ultra-Low Field MRI Enhancement

초저장 (64 mT) 뇌 MRI는 접근성을 향상시키지만, 3T MRI에 비해 이미지 품질이 낮다는 단점이 있습니다. 쌍을 이루는 64 mT - 3T 스캔 데이터가 부족하기 때문에, 우리는 현실감을 높이면서 동시에 해부학적 구조를 보존하는, 쌍을 이루지 않는 64 mT $ ightarrow$ 3T 변환 프레임워크를 제안합니다. 저희 방법은 다단계 정제 과정을 포함하는 쌍을 이루지 않는 신경망 슈뢰딩거 브리지 (UNSB)를 기반으로 합니다. 목표 분포 정렬을 강화하기 위해, 저희는 동결된 3T 확산 모델을 활용한 DMD2 스타일의 확산 기반 분포 정합을 적대적 학습 목표에 추가했습니다. 패치 수준의 대응 외에 전역적인 구조를 명시적으로 제약하기 위해, 저희는 패치NCE와 함께 해부학적 구조 보존 (ASP) 정규화를 결합하여, 부드러운 전경-배경 일관성 및 경계 인식 제약을 적용했습니다. 두 개의 독립적인 데이터셋에 대한 평가 결과, 제안된 프레임워크는 쌍을 이루는 데이터셋에서는 구조적 충실도를 높이고, 쌍을 이루지 않는 데이터셋에서는 분포 수준의 현실감을 향상시켜, 기존의 쌍을 이루지 않는 방법보다 균형 잡힌 현실감-구조 균형을 달성했습니다.

Ultra Low Field (64 mT) brain MRI improves accessibility but suffers from reduced image quality compared to 3 T. As paired 64 mT - 3 T scans are scarce, we propose an unpaired 64 mT $\rightarrow$ 3 T translation framework that enhances realism while preserving anatomy. Our method builds upon the Unpaired Neural Schrödinge Bridge (UNSB) with multi-step refinement. To strengthen target distribution alignment, we augment the adversarial objective with DMD2-style diffusion-guided distribution matching using a frozen 3T diffusion teacher. To explicitly constrain global structure beyond patch-level correspondence, we combine PatchNCE with an Anatomical Structure Preservation (ASP) regularizer that enforces soft foreground background consistency and boundary aware constraints. Evaluated on two disjoint cohorts, the proposed framework achieves an improved realism structure trade-off, enhancing distribution level realism on unpaired benchmarks while increasing structural fidelity on the paired cohort compared to unpaired baselines.