用于三维多对比度 MRI 合成的统一多平面自回归扩散

基于摘要分析。该研究针对多对比度 MRI 采集耗时、需要由已采集对比度合成缺失对比度的问题，提出 Multi-Plane Autoregressive Diffusion（MPAD）。核心贡献是在三维潜空间中使用逐平面的二维扩散操作完成全体积合成，通过跨平面条件传播维持解剖结构的一致性，而非直接依赖完整的三维扩散生成。 机制上，3D autoencoder 先将 MRI 压缩为各向同性的三维潜表示；随后训练二维扩散模型，以源对比度切片和目标对比度的未掩码切片为条件，重建被掩码的目标潜切片。推理时，模型先在一种平面方向内按随机顺序自回归生成切片，再将生成结果作为条件先验传递至正交平面方向，以兼顾同一方向内的连续性和轴向、矢状、冠状平面之间的一致性。摘要未提供具体损失、掩码策略、切片调度或模型规模。 作者报告，相较 3D latent diffusion 基线，MPAD 的训练与推理 FLOPs 分别降低 7 倍和 3 倍，并降低推理耗时与峰值内存；这些计算结果对应的体积尺寸、硬件、采样设置及基线配置尚未验证。作者还报告在多个数据集上获得更优的合成表现，并在单一统一模型中支持一对多转换，但摘要未列出数据集名称、样本规模、划分、质量指标及具体分数，因此不能量化质量收益。 复现需核对三维自编码器的重建误差、跨平面先验的构造与更新方式，以及随机生成顺序对体积一致性的影响；实验协议、消融及统计信息尚未验证。研究对象是 MRI 缺失对比度合成，不是 EEG 解码或 BCI 验证，现有材料不支持推导其在 BCI 中的有效性。