[논문 리뷰] Cycle-guided Denoising Diffusion Probability Model for 3D Cross-modality MRI Synthesis

Shaoyan Pan, Chih‐Wei Chang외 8명|arXiv (Cornell University)|2023. 04. 28.

Radiomics and Machine Learning in Medical Imaging인용 수 18

한 줄 요약

이 논문은 두 개의 조건부 DDPM이 잠재 노이즈를 교환하여 두 가지 펄스 시퀀스 간에 매칭되는 3D MRI 모달리티를 합성하는 Cycle-guided Denoising Diffusion Probability Model (CG-DDPM)을 제안하여 교차 모달리티 합성의 정확도와 일관성을 향상시킨다.

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.

연구 동기 및 목표

• 두 개의 펄스 시퀀스 간의 교차 모달리티 MRI 합성을 위한 디퓨전 기반 프레임워크 개발.
• 잠재 노이즈 교환을 통한 두 개의 조건부 DDPM 간의 상호 정규화 활성화.
• 다중 모달 MRI 생성의 합성 정확도와 모달리티 일관성 향상.
• 향상을 입증하기 위해 표준 데이터셋에서 기존 방법과의 성능 비교 평가.

제안 방법

• 각 MRI 모달리티에 대해 합성 이미지를 생성하는 두 개의 조건부 디노이징 확산 확률 모델을 활용한다.
• 역 확산 과정에서 임의의 잠재 노이즈를 교환하여 두 모델을 정규화한다.
• 모달리티 간 일치를 보장하기 위해 사이클 일관성 목표로 두 모델을 함께 학습한다.
• MAE, MSSIM, PSNR를 사용한 정량적 평가와 BraTS2020에서의 합성 일관성 평가.
• 향상을 입증하기 위해 CG-DDPM을 다수의 최첨단 네트워크와 비교하여 개선의 통계적 유의성을 확인한다.

실험 결과

연구 질문

• RQ1 두 개의 조건부 DDPM 간의 사이클 가이드 잠재 노이즈 교환이 교차 모달리티 MRI 합성의 정확도를 향상시킬 수 있는가?
• RQ2 제안된 CG-DDPM이 기존 방법에 비해 두 MRI 모달리티 간의 합성 일관성을 더 높게 달성하는가?
• RQ3 MAE, MSSIM, PSNR 측면에서 표준 다중 모달 MRI 데이터셋에서 CG-DDPM의 성능은 어떠한가?
• RQ4 베이스라인 네트워크에 비해 개선이 통계적으로 유의한가?

주요 결과

• CG-DDPM은 BraTS2020 데이터셋에서 더 높은 합성 정확도와 안정적인 모달리티 일관성을 달성한다.
• 잠재 노이즈 교환을 통한 이중 DDPM 구성이 정규화 이점을 제공하여 이미지 품질 향상으로 이어진다.
• 다수의 최첨단 네트워크와 비교하여 CG-DDPM은 MRI 합성 품질에서 통계적으로 유의미한 개선을 보인다.
• 본 방법은 다중 모달 MRI 합성 잠재력을 향상시켜 더 정확한 진단 및 치료 계획에 기여한다.