[論文レビュー] DDMM-Synth: A Denoising Diffusion Model for Cross-modal Medical Image Synthesis with Sparse-view Measurement Embedding

Xiaoyue Li, Kai Shang+2 more|arXiv (Cornell University)|Mar 28, 2023

Medical Imaging Techniques and Applications被引用数 9

ひとこと要約

DDMM-SynthはMRIガイド拡散モデルと範囲-ヌル空間分解を用いてMRIからCTを合成し、スパースビューCT測定を組み込むことでデータ整合性とノイズ耐性を向上させる。

ABSTRACT

Reducing the radiation dose in computed tomography (CT) is important to mitigate radiation-induced risks. One option is to employ a well-trained model to compensate for incomplete information and map sparse-view measurements to the CT reconstruction. However, reconstruction from sparsely sampled measurements is insufficient to uniquely characterize an object in CT, and a learned prior model may be inadequate for unencountered cases. Medical modal translation from magnetic resonance imaging (MRI) to CT is an alternative but may introduce incorrect information into the synthesized CT images in addition to the fact that there exists no explicit transformation describing their relationship. To address these issues, we propose a novel framework called the denoising diffusion model for medical image synthesis (DDMM-Synth) to close the performance gaps described above. This framework combines an MRI-guided diffusion model with a new CT measurement embedding reverse sampling scheme. Specifically, the null-space content of the one-step denoising result is refined by the MRI-guided data distribution prior, and its range-space component derived from an explicit operator matrix and the sparse-view CT measurements is directly integrated into the inference stage. DDMM-Synth can adjust the projection number of CT a posteriori for a particular clinical application and its modified version can even improve the results significantly for noisy cases. Our results show that DDMM-Synth outperforms other state-of-the-art supervised-learning-based baselines under fair experimental conditions.

研究の動機と目的

• CT放射線量を低減する動機づけとして、スパース測定と横断モーダルMRI情報から高忠実度CT再構成を実現する。
• MRIガイダンスとスパースビューCT priorsを活用したMRI-to-CT合成の拡散モデルフレームワークを開発する。
• 再訓練なしで測定設定の柔軟な調整とノイズのある測定への頑健性を実現する。
• MRIガイダンスとCT測定埋め込みを統合することが最先端のベンチマークと比較して合成品質を高めるかを評価する。

提案手法

• MRIガイダンス付き条件付き拡散モデルの学習。
• 逆サンプリング時にスパースビューCT情報を挿入するためのNull-space range-null space decomposition。
• 逆プロセスにおけるA†yと測定値yを用いたCT再構成の整合性の強制化（Equations 5–7）。
• 測定ノイズを考慮するためのgamma_tとphi_tを用いた拡散ステップのノイズ処理（Equations 7–13）。
• 逆プロセスを高速化するためのDDIMサンプリング（T = 2000 to 100 steps）。
• 再訓練なしで異なる線形測定写像に適応可能な単一フレームワーク。

実験結果

リサーチクエスチョン

• RQ1 MRIガイド付き拡散モデルとスパースビューCT測定の組み合わせは、従来のMRI-to-CT翻訳や純粋なデータ駆動再構成法より高忠実度のCT画像を生み出すか。
• RQ2 範囲-ヌル空間測定埋め込みは、スパースビューおよびノイズがある状況下でデータ整合性と構造的忠実性を改善するか。
• RQ3 DDMM-Synthは多 modalityな骨盤MRI-CT（Gold Atlas）およびBRATS2018データセットに対して最先端の監視学習ベースラインと比較してどの程度性能を発揮するか。
• RQ4 追加のモデル訓練なしで異なる投影数と測定ノイズに対して方法は頑健か。

主な発見

Method	N_p	PSNR (Gold Atlas)	SSIM (Gold Atlas)	PSNR (BRATS2018)	SSIM (BRATS2018)
pix2pix	23	28.98 ± 1.87	0.887 ± 0.019	24.01 ± 1.91	0.797 ± 0.028
pGAN	23	29.19 ± 1.64	0.893 ± 0.012	24.16 ± 1.44	0.810 ± 0.027
medSynth	23	30.03 ± 1.81	0.891 ± 0.023	24.32 ± 2.06	0.813 ± 0.031
SAGAN	23	31.01 ± 2.01	0.912 ± 0.021	26.62 ± 1.97	0.826 ± 0.027
DDMM-Synth	10	29.82 ± 2.10	0.861 ± 0.020	26.47 ± 1.85	0.796 ± 0.025
DDMM-Synth	20	33.12 ± 1.99	0.936 ± 0.019	27.03 ± 1.27	0.863 ± 0.021
DDMM-Synth	23	33.79 ± 1.98	0.941 ± 0.019	27.54 ± 1.25	0.872 ± 0.022

• DDMM-SynthはGold AtlasおよびBRATS2018で、投影数を変化させてもいくつかのベースラインより高いPSNR/SSIMを達成。
• 投影数が少ない場合（例: 20対23）でも、スパースビューを用いる方法の中にはより多くの投影を使用するものを上回ることがあり、データ整合性が堅牢であることを示唆。
• ノイズのある取得でDDMM-Synth-noiseバリアントが性能を大幅に改善し、FIDの低下によって示される。
• アブレーション研究により、MRIガイダンスとスパースビューCT埋め込みの双方を含む場合、いずれかを欠く variante よりもCT再構成の忠実度が高いことを示唆。
• 拡散ベースの合成は、ROIsにおける解剖学的忠実度を高め、非拡散ベースのベースラインよりアーチファクトが少ない。