[論文レビュー] Full-dose Whole-body PET Synthesis from Low-dose PET Using High-efficiency Denoising Diffusion Probabilistic Model: PET Consistency Model

Shaoyan Pan, Elham Abouei+9 more|arXiv (Cornell University)|Aug 24, 2023

Medical Imaging Techniques and Applications被引用数 7

ひとこと要約

本稿では、PETシフトドウインドウビジョントランスフォーマー（PET-VIT）を用いて低線量入力をもとにフルドーズ全身PET画像を合成する、高効率なノイズ除去拡散確率的モデルPET-CMを提案する。従来の拡散モデルと比較して12倍高速な推論を達成しながら、最先端の画像品質を実現し、低線量PETスキャンのノイズ除去において優れた定量的および臨床的性能を示した。

ABSTRACT

Objective: Positron Emission Tomography (PET) has been a commonly used imaging modality in broad clinical applications. One of the most important tradeoffs in PET imaging is between image quality and radiation dose: high image quality comes with high radiation exposure. Improving image quality is desirable for all clinical applications while minimizing radiation exposure is needed to reduce risk to patients. Approach: We introduce PET Consistency Model (PET-CM), an efficient diffusion-based method for generating high-quality full-dose PET images from low-dose PET images. It employs a two-step process, adding Gaussian noise to full-dose PET images in the forward diffusion, and then denoising them using a PET Shifted-window Vision Transformer (PET-VIT) network in the reverse diffusion. The PET-VIT network learns a consistency function that enables direct denoising of Gaussian noise into clean full-dose PET images. PET-CM achieves state-of-the-art image quality while requiring significantly less computation time than other methods. Results: In experiments comparing eighth-dose to full-dose images, PET-CM demonstrated impressive performance with NMAE of 1.278+/-0.122%, PSNR of 33.783+/-0.824dB, SSIM of 0.964+/-0.009, NCC of 0.968+/-0.011, HRS of 4.543, and SUV Error of 0.255+/-0.318%, with an average generation time of 62 seconds per patient. This is a significant improvement compared to the state-of-the-art diffusion-based model with PET-CM reaching this result 12x faster. Similarly, in the quarter-dose to full-dose image experiments, PET-CM delivered competitive outcomes, achieving an NMAE of 0.973+/-0.066%, PSNR of 36.172+/-0.801dB, SSIM of 0.984+/-0.004, NCC of 0.990+/-0.005, HRS of 4.428, and SUV Error of 0.151+/-0.192% using the same generation process, which underlining its high quantitative and clinical precision in both denoising scenario.

研究の動機と目的

• PET画像における線量と画像品質の臨床的トレードオフを解消し、低線量撮影からフルドーズPET画像の合成を可能にする。
• 手作業で特徴を設計する従来の機械学習手法の限界を克服し、複雑な解剖学的およびテクスチャ的詳細を捉えること。
• GANベースおよび従来の拡散モデルを上回る定量的指標と臨床的妥当性を両立する、安定的で高精細な画像合成手法を開発する。
• 拡散ベースのPET合成における高い計算効率を達成し、実臨床応用を可能にする。
• 包括的な定量的指標と臨床的評価（SUVの正確性および人間による順位付けを含む）を通じて、本手法の性能を検証する。

提案手法

• PET-CMは2段階の拡散プロセスを採用する：前方拡散でフルドーズPET画像にガウスノイズを追加し、逆方向拡散で学習された一貫性関数を用いてノイズ除去を行う。
• 逆方向のノイズ除去プロセスは、確率フロー常微分方程式（PF-ODE）としてモデル化され、安定的かつ正確な推論を実現するため、ヘウンの2次オーダー常微分方程式ソルバで解かれる。
• 独創的なPET-VITネットワークは、スウィントランスフォーマー構造に基づき、ノイズがかかる潜在状態をクリアなフルドーズPET画像にマッピングする一貫性関数を学習する。
• エンコーダーとデコーダーブロック間の残差接続およびスキップ接続を統合することで、空間解像度の保持と特徴の効果的伝達を向上させる。
• 各ブロックに正弦波符号化を用いたタイムステップ埋め込みを組み込み、拡散ステップに応じた条件付きノイズ除去を実現する。
• 前方拡散で追加されたノイズを予測することで、逆方向プロセスのエンドツーエンド学習が可能となるノイズ除去損失を最小化する形でモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 拡散ベースの生成モデルは、高い計算効率を維持しながら、低線量入力からフルドーズPETを合成する際、最先端の画像品質を達成できるか？
• RQ2 提案されたPET-VITアーキテクチャは、標準的なCNNや他のアテンションベースのネットワークと比較して、PET画像の解剖学的およびテクスチャ的詳細をどれほど効果的に捉えられるか？
• RQ3 PET-CMモデルは、真値のフルドーズ画像と比較して、標準化取り込み値（SUV）などの定量的指標をどの程度正確に保持しているか？
• RQ4 人間読影者による順位付けや真値との構造的類似度を含む臨床的評価において、本モデルはどの程度の性能を示すか？
• RQ5 本手法は、画像品質を損なわず、既存の拡散モデルと比較して顕著に推論時間を短縮できるか？

主な発見

• 8分の1線量からフルドーズへの合成において、PET-CMはNMAE 1.278±0.122%、PSNR 33.783±0.824 dB、SSIM 0.964±0.009、NCC 0.968±0.011を達成し、高い構造的および強度の忠実度を示した。
• 人間順位スコア（HRS）は4.543を記録し、読影評価においてフルドーズスキャンと同等の高い知覚的品質を示した。
• SUV誤差はわずか0.255±0.318%であり、腫瘍学的応用において極めて重要な定量的代謝正確性が保持されていることを確認した。
• 1/4線量入力の場合、NMAEは0.973±0.066%、PSNRは36.172±0.801 dBを達成し、低線量レベルでも高いロバストネスを示した。
• PET-CMは平均して1例のフルドーズPETスキャンを62秒で生成し、最先端の拡散モデルと比較して12倍高速な推論を実現した。
• スウィントランスフォーマーに基づくアーキテクチャとヘウンのODEソルバの組み合わせにより、高精細で安定的かつ効率的な推論が可能となり、トレーニング安定性およびFIDに類似した指標においてGANを上回った。