[논문 리뷰] Brain PET Synthesis from MRI Using Joint Probability Distribution of Diffusion Model at Ultrahigh Fields

Xie Taofeng, Cao Chentao외 9명|arXiv (Cornell University)|2022. 11. 16.

Medical Imaging Techniques and Applications인용 수 4

한 줄 요약

이 논문은 초고자기장(5T 및 7T)에서 MRI로부터 뇌 PET 스캔을 합성하기 위해 연합 확률 확산 모델(JPDDM)을 제안한다. 이 모델은 UNet 기반 조건부 스코어 추정을 통해 MRI와 PET의 연합 분포를 모델링한다. 제안된 방법은 CycleGAN 및 스코어 기반 SDE 기준선 대비 뛰어난 PSNR 성능를 보이며, 더 높은 정밀도와 안정성을 확보한 고해상도 PET 합성 결과를 도출한다.

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.

연구 동기 및 목표

• 비용과 방사선 노출으로 인해 PET 이용이 제한되는 임상적 과제를 해결하기 위해 MRI로부터 PET를 합성한다.
• 동시 PET-MRI가 현재 불가능한 초고자기장 MRI(5T 및 7T)에서 PET의 교차 모달 합성을 가능하게 한다.
• 확산 모델을 통한 MRI와 PET의 연합 확률 분포 모델링을 통해 MRI에서 PET로의 합성 과정에서의 안정성과 정확도를 향상시킨다.
• CycleGAN 및 스코어 기반 SDE와 같은 기존 방법의 한계를 극복하기 위해 조건부 가이던스와 연합 분포 학습을 통합한다.

제안 방법

• PET 합성 작업을 MRI 조건부 스코어 함수 ∇ₓₚₑₜ log p(xₚₑₜ|xₘᵣᵢ) 학습으로 설정하며, 이는 MRI와 PET의 연합 확산 모델링을 통해 수행된다.
• 일련의 노이즈로 점차적으로 손상되는 연속적인 SDE를 도입하며, 노이즈 스케일은 σₘᵢₙ에서 σₘₐₓ까지이다.
• UNet 기반 스코어 네트워크 sθ*(Xᵢ₊₁, i+1)를 사용해 스코어 ∇ₓ log pₜ(Xᵢ)를 추정하며, 노이즈 제거 목적 함수 L(θ;σ) = ½𝔼[‖σₘᵢₙ(σₘₐₓ/σₘᵢₙ)ᵗ sθ(Xᵢ₊₁,σ) + z‖₂²]를 통해 학습한다.
• 예측자-수정자 샘플링 기법을 적용한다: 예측자는 드리프트 fᵢ = 0 및 분산 gᵢ = √(σ²ᵢ − σ²ᵢ₋₁)를 갖는 역방향 SDE를 사용하며, 수정자는 단계 크기 ε를 갖는 랭지에빈 역학을 적용한다.
• 샘플링 중 xₘᵣᵢ를 고정함으로써 MRI에 조건부로 생성을 조절하여, 입력 MRI와 일치하는 PET를 합성하도록 보장한다.
• ADNI 데이터셋(14,440개의 MRI-PET 쌍)을 사용해 학습 및 평가하며, 이미지를 128×128 크기로 리사이징한다.

실험 결과

연구 질문

• RQ1 연합 확산 모델은 초고자기장(5T 및 7T)에서 MRI로부터 고해상도 뇌 PET 영상을 효과적으로 합성할 수 있는가?
• RQ2 MRI와 PET의 연합 확률 분포를 모델링할 경우, 조건부 GAN이나 스코어 기반 SDE 대비 생성 품질과 안정성은 어떻게 향상되는가?
• RQ3 실제 5T 및 7T MRI 스캔에 적용했을 때 제안된 JPDDM의 PSNR 및 시각적 품질 측면에서의 성능는 어떠한가?
• RQ4 고해상도, 고SNR 초고자기장 MRI 데이터로의 일반화 능력과 정확성은 유지되는가?

주요 결과

• 제안된 JPDDM는 ADNI 데이터셋에서 CycleGAN 및 스코어 기반 SDE 기준선 대비 높은 피크 신호 대비 잡음 비율(PSNR)을 확보하였다.
• 그림 2의 시각적 비교 결과, JPDDM는 더 현실적이고 세밀한 합성 PET 영상을 생성하며 잡음 요소를 최소화하였다.
• 그림 3 및 4에서 확인되듯이, 이 방법은 5T 및 7T MRI 스캔으로부터도 성공적으로 PET 영상을 합성하였다. 이는 초고자기장 데이터에 대한 적용 가능성을 확인한다.
• 확산 모델을 통한 MRI와 PET의 연합 모델링은 특히 합성 PET에서 대사 패턴을 잘 유지함으로써 생성 안정성과 정밀도를 향상시켰다.
• 비록 이미지 품질이 뛰어나지만, 예측자-수정자 프로세스의 반복적 샘플링으로 인해 추론 속도가 느린 편이다.
• 모델 성능은 실제 임상용 5T 및 7T MRI 스캐너에서 검증되었으며, 실제 뇌 영상 응용 분야에서의 잠재력을 확인하였다.