[論文レビュー] Cycle-guided Denoising Diffusion Probability Model for 3D Cross-modality MRI Synthesis

Shaoyan Pan, Chih‐Wei Chang+8 more|arXiv (Cornell University)|Apr 28, 2023

Radiomics and Machine Learning in Medical Imaging被引用数 18

ひとこと要約

この論文は、2つの条件付きDDPMが潜在ノイズを交換して相同性の3D MRIモダリティを2つのパルス系列間で合成するCycle-guided Denoising Diffusion Probability Model（CG-DDPM）を提案し、クロスモダリティ合成の精度と一貫性を向上させる。

ABSTRACT

This study aims to develop a novel Cycle-guided Denoising Diffusion Probability Model (CG-DDPM) for cross-modality MRI synthesis. The CG-DDPM deploys two DDPMs that condition each other to generate synthetic images from two different MRI pulse sequences. The two DDPMs exchange random latent noise in the reverse processes, which helps to regularize both DDPMs and generate matching images in two modalities. This improves image-to-image translation ac-curacy. We evaluated the CG-DDPM quantitatively using mean absolute error (MAE), multi-scale structural similarity index measure (MSSIM), and peak sig-nal-to-noise ratio (PSNR), as well as the network synthesis consistency, on the BraTS2020 dataset. Our proposed method showed high accuracy and reliable consistency for MRI synthesis. In addition, we compared the CG-DDPM with several other state-of-the-art networks and demonstrated statistically significant improvements in the image quality of synthetic MRIs. The proposed method enhances the capability of current multimodal MRI synthesis approaches, which could contribute to more accurate diagnosis and better treatment planning for patients by synthesizing additional MRI modalities.

研究の動機と目的

• 2つのパルス系列間のクロスモダリティMRI合成のための拡散ベースのフレームワークを開発する。
• 潜在ノイズの交換を通じて2つの条件付きDDPM間の相互正則化を有効にする。
• マルチモーダルMRI生成の合成精度とモダリティ一貫性を向上させる。
• 標準データセットで既存手法と比較して性能を評価し、改善を示す。

提案手法

• 各MRIモダリティに対して合成画像を生成する2つの条件付きデノイジングディフュージョン確率モデルを用いる。
• 逆拡散過程でランダムな潜在ノイズを交換して両方のモデルを正則化する。
• モダリティ間の整合性を確保するためにサイクル一貫性を目的としてペアを訓練する。
• MAE、MSSIM、PSNRを用いて定量的に評価し、BraTS2020で合成の一貫性を評価する。
• CG-DDPMを複数の最先端ネットワークと比較して改善の統計的有意性を確立する。）

実験結果

リサーチクエスチョン

• RQ1 2つの条件付きDDPM間でサイクル誘導潜在ノイズ交換を行うと、クロスモダリティMRI合成の精度が向上するか？
• RQ2 提案手法CG-DDPMは、既存手法と比べて2つのMRIモダリティ間の合成一貫性を高めるか？
• RQ3 標準のマルチモーダルMRIデータセットにおけるMAE、MSSIM、PSNRの観点でCG-DDPMはどのように機能するか？
• RQ4 ベースラインネットワークと比較して改善は統計的に有意か？

主な発見

• CG-DDPMはBraTS2020データセットでより高い合成精度と信頼できるモダリティ一貫性を達成する。
• 潜在ノイズ交換を含む二重DDPMの設定は正則化効果をもたらし、画像品質の向上につながる。
• 複数の最先端ネットワークと比較して、CG-DDPMはMRI合成品質の統計的有意な改善を示す。
• 本手法はマルチモーダルMRI合成の可能性を高め、より正確な診断と治療計画を支援する。