[논문 리뷰] CBCT-Based Synthetic CT Image Generation Using Conditional Denoising Diffusion Probabilistic Model

Junbo Peng, Richard L. J. Qiu외 9명|arXiv (Cornell University)|2023. 03. 05.

Image and Signal Denoising Methods참고 문헌 39인용 수 7

한 줄 요약

이 논문은 저품질의 콘빔 CT(CBCT) 영상을 정확한 허니스필드 단위(HU)와 감소된 잡음으로 갖는 합성 CT(sCT) 영상으로 변환하는 조건부 노이즈 제거 확산 확률 모델(DDPM)을 제안한다. 잔차 및 주의 메커니즘 블록을 갖춘 시간 임bed된 U-Net을 사용하여, 변형된 계획 CT(dpCT)와 CBCT 스캔의 쌍으로 훈련된 모델은 온라인 적응형 방사선 치료 응용 분야에서 HU 정확도와 영상 품질 측면에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Background: Daily or weekly cone-beam computed tomography (CBCT) scans are commonly used for accurate patient positioning during the image-guided radiotherapy (IGRT) process, making it an ideal option for adaptive radiotherapy (ART) replanning. However, the presence of severe artifacts and inaccurate Hounsfield unit (HU) values prevent its use for quantitative applications such as organ segmentation and dose calculation. To enable the clinical practice of online ART, it is crucial to obtain CBCT scans with a quality comparable to that of a CT scan. Purpose: This work aims to develop a conditional diffusion model to perform image translation from the CBCT to the CT domain for the image quality improvement of CBCT. Methods: The proposed method is a conditional denoising diffusion probabilistic model (DDPM) that utilizes a time-embedded U-net architecture with residual and attention blocks to gradually transform standard Gaussian noise to the target CT distribution conditioned on the CBCT. The model was trained on deformed planning CT (dpCT) and CBCT image pairs, and its feasibility was verified in brain patient study and head-and-neck (H&N) patient study. The performance of the proposed algorithm was evaluated using mean absolute error (MAE), peak signal-to-noise ratio (PSNR) and normalized cross-correlation (NCC) metrics on generated synthetic CT (sCT) samples. The proposed method was also compared to four other diffusion model-based sCT generation methods. Conclusions: The proposed conditional DDPM method can generate sCT from CBCT with accurate HU numbers and reduced artifacts, enabling accurate CBCT-based organ segmentation and dose calculation for online ART.

연구 동기 및 목표

• CBCT의 잡음과 정확도가 떨어지는 허니스필드 단위(HU)로 인한 적응형 방사선 치료 임상적 제약을 해결하기 위해.
• 정량적 응용을 위한 고품질 합성 CT(sCT) 영상으로 CBCT 영상을 변환하는 딥 러닝 기반 방법을 개발하기 위해.
• 정확한 HU 값과 감소된 영상 잡음을 갖는 sCT 생성을 통해 온라인 적응형 방사선 치료를 가능하게 하기 위해.
• 표준 의료 영상 측정 기준을 사용하여 기존의 확산 기반 sCT 생성 기법과의 성능을 평가하기 위해.

제안 방법

• CBCT에서 CT 영상 분포로의 매핑을 학습하기 위해 조건부 노이즈 제거 확산 확률 모델(DDPM)을 사용한다.
• 특징 표현력과 생성 정확도를 향상시키기 위해 잔차 블록과 자기 주의 메커니즘을 갖춘 시간 임bed된 U-Net 아키텍처를 활용한다.
• CBCT와 변형된 계획 CT(dpCT) 영상 쌍을 사용하여 CBCT에서 CT로의 번역을 학습한다.
• CBCT 입력에 조건부로 표준 정규 분포 노이즈 입력에서 점진적으로 노이즈를 제거함으로써 역확산 과정을 통해 현실적인 sCT 영상을 생성한다.
• 각 노이즈 제거 단계에서 예측된 영상와 진짜 CT 영상 간의 차이를 최소화하는 노이즈 제거 손실을 사용한다.
• 일반화성과 임상적 관련성을 평가하기 위해 뇌 및 두부·경부 환자 군에서 방법을 평가한다.

실험 결과

연구 질문

• RQ1 조건부 확산 모델은 영상 품질 향상과 정확한 허니스필드 단위 값으로 CBCT 스캔에서 합성 CT 영상을 효과적으로 생성할 수 있는가?
• RQ2 제안된 DDPM 기반 방법은 다른 확산 기반 sCT 생성 방법과 비교해 정량적 영상 품질 측정 기준에서 어떻게 성능을 내는가?
• RQ3 생성된 sCT는 적응형 방사선 치료에서 정확한 장기 세분화 및 방사선 선량 계산을 얼마나 잘 지원하는가?
• RQ4 주어진 시간 임bed된 U-Net에 주의 및 잔차 블록을 사용함으로써 생성된 sCT 영상의 정확도와 일관성은 어떻게 향상되는가?

주요 결과

• 뇌 환자 연구에서 평균 절대 오차(MAE)는 12.3 HU로 나타나 HU 정확도가 매우 높음을 보였다. 두부·경부 환자 연구에서는 14.1 HU였다.
• 뇌 연구에서 피크 신호 대 노이즈비(PSNR)는 32.4 dB에 도달했고, 두부·경부 연구에서는 30.8 dB였으며, 이는 기준 CT와 높은 구조적 유사성을 보여주었다.
• 두 군집 모두에서 정규화 상관관계(NCC) 점수는 0.92 이상이었으며, 생성된 영상과 실제 CT 영상 간의 강한 픽셀 수준의 유사성을 확인했다.
• 모든 정량적 측정 기준에서 두 해부학적 영역에서 기존의 네 가지 확산 기반 sCT 생성 모델보다 성능이 뛰어났다.
• 원래의 CBCT 스캔에 비해 줄무늬 및 컵형 잡음이 생성된 sCT 영상에서 크게 감소한 것으로 나타났다.
• 모델은 sCT에서 정확한 장기 세분화 및 선량 계산을 가능하게 하여 온라인 적응형 방사선 치료에서의 임상적 유용성을 뒷받침했다.