标题： 无监督心脏视频翻译通过运动特征引导的扩散模型 显示英文标题

标题： Unsupervised Cardiac Video Translation Via Motion Feature Guided Diffusion Model

摘要： 本文提出了一种新颖的运动特征引导扩散模型用于无配对的视频到视频翻译（MFD-V2V），旨在从低对比度、易受伪影影响的刺激回波位移编码（DENSE）CMR序列中合成动态、高对比度的心脏磁共振电影（CMR）。 为了实现这一目标，我们首先引入了一个潜在时间多注意力（LTMA）配准网络，该网络能够有效地从心脏磁共振电影图像视频中学习更准确和一致的心脏运动。 随后，开发了一种多级运动特征引导扩散模型，配备了一个专门的时空运动编码器（STME）以提取精细的运动条件，从而提高合成质量和保真度。 我们在全面的心脏数据集上评估了我们的方法MFD-V2V，在定量指标和定性评估方面均优于最先进水平。 此外，我们展示了合成的心脏磁共振电影在下游临床和分析任务中的优势，突显了我们方法的更广泛影响。 我们的代码可在https://github.com/SwaksharDeb/MFD-V2V公开获取。 显示英文摘要

摘要： This paper presents a novel motion feature guided diffusion model for unpaired video-to-video translation (MFD-V2V), designed to synthesize dynamic, high-contrast cine cardiac magnetic resonance (CMR) from lower-contrast, artifact-prone displacement encoding with stimulated echoes (DENSE) CMR sequences. To achieve this, we first introduce a Latent Temporal Multi-Attention (LTMA) registration network that effectively learns more accurate and consistent cardiac motions from cine CMR image videos. A multi-level motion feature guided diffusion model, equipped with a specialized Spatio-Temporal Motion Encoder (STME) to extract fine-grained motion conditioning, is then developed to improve synthesis quality and fidelity. We evaluate our method, MFD-V2V, on a comprehensive cardiac dataset, demonstrating superior performance over the state-of-the-art in both quantitative metrics and qualitative assessments. Furthermore, we show the benefits of our synthesized cine CMRs improving downstream clinical and analytical tasks, underscoring the broader impact of our approach. Our code is publicly available at https://github.com/SwaksharDeb/MFD-V2V.