[論文レビュー] Brain PET Synthesis from MRI Using Joint Probability Distribution of Diffusion Model at Ultrahigh Fields

Xie Taofeng, Cao Chentao+9 more|arXiv (Cornell University)|Nov 16, 2022

Medical Imaging Techniques and Applications被引用数 4

ひとこと要約

本稿では、5Tおよび7Tのultrahigh場におけるMRIから脳PETスキャンを合成するための共同確率拡散モデル（JPDDM）を提案する。MRIとPETの同時分布をモデル化するために、UNetを用いた条件付きスコア推定を活用する。本手法は、CycleGANおよびスコアベースのSDEベースラインと比較して優れたPSNRを達成し、安定性と正確性が向上した高精細なPET合成を実現した。

ABSTRACT

MRI and PET are important modalities and can provide complementary information for the diagnosis of brain diseases because MRI can provide structural information of brain and PET can obtain functional information of brain. However, PET is usually missing. Especially, simultaneous PET and MRI imaging at ultrahigh field is not achievable in the current. Thus, synthetic PET using MRI at ultrahigh field is essential. In this paper, we synthetic PET using MRI as a guide by joint probability distribution of diffusion model (JPDDM). Meanwhile, We utilized our model in Ultrahigh Fields.

研究の動機と目的

• コストおよび被曝線量のためPETの利用が限られる臨床的課題に対処し、MRIからPETを合成する。
• 同時にPET-MRIが現実的でない超高磁場MRI（5Tおよび7T）におけるPETのクロスモダリティ合成を可能にする。
• 拡散モデルによるMRIとPETの同時確率分布のモデル化により、MRIからPETへの変換における生成の安定性と正確性を向上させる。
• CycleGANやスコアベースのSDEといった既存手法の限界を、条件付きガイダンスと同時分布学習を組み合わせることで克服する。

提案手法

• PET合成タスクを、MRIとPETの同時分布をモデル化するための共同拡散モデリングにより、条件付きスコア関数∇ₓₚₑₜ log p(xₚₑₜ|xₘᵣᵢ)の学習として定式化する。
• 入力データを徐々にノイズに変換する前向きSDEを導入し、ノイズスケールをσₘᵢₙからσₘₐₓまで変化させる。
• UNetベースのスコアネットワークsθ*(Xᵢ₊₁, i+1)を用いてスコア∇ₓ log pₜ(Xᵢ)を推定し、ノイズ除去目的関数L(θ;σ) = ½𝔼[‖σₘᵢₙ(σₘₐₓ/σₘᵢₙ)ᵗ sθ(Xᵢ₊₁,σ) + z‖₂²]により訓練する。
• 予測子・補正子サンプリング方式を採用：予測子はドリフトfᵢ = 0、拡散gᵢ = √(σ²ᵢ − σ²ᵢ₋₁)の逆方向SDEを用い、補正子はステップサイズεのランジュバンダイナミクスを適用する。
• 生成プロセス中にxₘᵣᵢを固定することで、入力MRIと整合したPETを合成する条件付き生成を実現する。
• ADNIデータセット（14,440組のMRI-PETペア）を用いて訓練および評価し、画像を128×128にリサイズする。

実験結果

リサーチクエスチョン

• RQ1 共同拡散モデルは、5Tおよび7Tという超高磁場下におけるMRIから高精細な脳PET画像を効果的に合成できるか？
• RQ2 MRIとPETの同時確率分布をモデル化することで、条件付きGANやスコアベースのSDEと比較して、生成品質および安定性がどのように向上するか？
• RQ3 実際の5Tおよび7T MRIスキャンに適用した場合、提案手法JPDDMのPSNRおよび視覚的品質のパフォーマンスはどの程度か？
• RQ4 高解像度・高SNRの超高磁場MRIデータへの一般化において、本手法はロバスト性と正確性を維持できるか？

主な発見

• 提案手法JPDDMは、ADNIデータセットにおいて、CycleGANおよびスコアベースのSDEベースラインと比較して高いピーク信号対ノイズ比（PSNR）を達成した。
• 図2の視覚的比較では、JPDDMがアーティファクトが少なく、より現実的で詳細な合成PET画像を生成していることが示された。
• 図3および図4で示されるように、本手法は5Tおよび7TのMRIスキャンからもPET画像を効果的に合成でき、超高磁場データへの適用可能性を確認した。
• 拡散モデルによるMRIとPETの同時モデリングにより、生成の安定性と忠実度が向上し、特に合成PETにおける代謝パターンの保持が顕著に改善された。
• 優れた画像品質にもかかわらず、予測子・補正子プロセスにおける反復的サンプリングのため、推論速度が遅いという欠点が見られた。
• 本手法の性能は、実臨床用の5Tおよび7T MRIスキャナを用いても検証され、実世界の神経画像診断応用における可能性を裏付けた。