基于注意力增强与边缘感知的脑肿瘤MRI跨模态生成方法

摘要

目的：规避脑肿瘤MRI成像过程中存在的时间成本高、伪影多和模态获取不全等问题，研究一种高质量的跨模态脑肿瘤MRI图像生成方法。方法：提出一种融合注意力机制与边缘感知的配准生成对抗网络（AE-RegGAN），对T1模态到T2模态图像的跨模态合成，在生成器中引入CoordAttention模块以增强关键区域感知，并结合Sobel边缘检测以强化肿瘤边界表达；在判别器中加入梯度惩罚正则化以提升训练稳定性并缓解模式崩溃问题。结果：在对5760例脑肿瘤MRI数据训练、768例测试中，AE-RegGAN相较于原始RegGAN在局部肿瘤区域的峰值信噪比（PSNR）提升0.51 dB，结构相似性指数（SSIM）提升0.029；在全局图像上PSNR提升0.900 dB,SSIM提升0.032。全局图像配对t检验结果显示平均绝对误差（P=0.0264）、PSNR(P<0.0001)、SSIM(P<0.0001)指标差异均有统计学意义。消融实验进一步验证了注意力与边缘感知模块的有效性。结论：AE-RegGAN在多模态脑部MRI图像合成中表现出更优的结构保持能力与病灶敏感性，为辅助诊断提供了稳定、可信的图像补全方案。

关键词

生成对抗网络 / 脑肿瘤MRI图像生成 / 注意力机制 / 边缘感知 / 梯度正则化