WFM: 超高速度多モード MRI 合成のための 3D ウェーブレットフローマッチング

arXiv:2604.21146v1 発表タイプ：new 要約：拡散モデルは多モード MRI 合成において驚異的な品質を達成しましたが、その計算コスト（数百回のサンプリングステップと各モード専用の別モデル）は臨床導入を制限しています。私たちは、この非効率性が不要な出発点に起因することを観察しました：拡散モデルは純粋なノイズから始め、すでに利用可能な MRI シーケンスに含まれている構造情報を棄却してしまうからです。私たちが提案する WFM（Wavelet Flow Matching）は、代わりにウェーブレット空間における条件付けモーダル（条件情報のある事前知識）の平均から目標分布へ、直接的なフローを学習します。ソースとターゲットが下位の解剖学構造を共有し、主にコントラストに異なるという事実に基づき、この形式は正確な合成を 1-2 回の積分ステップで可能にします。クラス条件付けを有する 1 つの 82M パラメータを持つモデルは、4 つの BraTS モーダル（T1, T1c, T2, FLAIR）をすべて合成でき、3 つの別々の拡散モデル（合計 326M パラメータ）を置き換えます。BraTS 2024 で、WFM は 26.8 dB PSNR と 0.94 SSIM を達成し、拡散ベースラインと比較して 1-2 dB 以内にありながら、160 秒あたりの処理時間に対して 250-1000 倍（0.16-0.64 秒）高速です。このスピードと品質のトレードオフは、臨床ワークフローにおけるリアルタイム MRI 合成の実用性を可能にします。コードは https://github.com/yalcintur/WFM にあります。

arXiv:2604.21146v1 Announce Type: new Abstract: Diffusion models have achieved remarkable quality in multi-modal MRI synthesis, but their computational cost (hundreds of sampling steps and separate models per modality) limits clinical deployment. We observe that this inefficiency stems from an unnecessary starting point: diffusion begins from pure noise, discarding the structural information already present in available MRI sequences. We propose WFM (Wavelet Flow Matching), which instead learns a direct flow from an informed prior, the mean of conditioning modalities in wavelet space, to the target distribution. Because the source and target share underlying anatomy and differ primarily in contrast, this formulation enables accurate synthesis in just 1-2 integration steps. A single 82M-parameter model with class conditioning synthesizes all four BraTS modalities (T1, T1c, T2, FLAIR), replacing four separate diffusion models totaling 326M parameters. On BraTS 2024, WFM achieves 26.8 dB PSNR and 0.94 SSIM, within 1-2 dB of diffusion baselines, while running 250-1000x faster (0.16-0.64s vs. 160s per volume). This speed-quality trade-off makes real-time MRI synthesis practical for clinical workflows. Code is available at https://github.com/yalcintur/WFM.