[논문 리뷰] DDMM-Synth: A Denoising Diffusion Model for Cross-modal Medical Image Synthesis with Sparse-view Measurement Embedding

Xiaoyue Li, Kai Shang외 2명|arXiv (Cornell University)|2023. 03. 28.

Medical Imaging Techniques and Applications인용 수 9

한 줄 요약

DDMM-Synth는 MRI-유도 확산 모델과 범위-널 공간 분해를 사용해 MRI에서 CT를 합성하면서 희소 뷰 CT 측정을 포함하여 데이터 일관성과 노이즈에 대한 강인성을 향상시킵니다.

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.

연구 동기 및 목표

• CT 방사선량 감소를 통해 희소 측정치와 cross-modal MRI 정보를 활용한 고충실도 CT 재구성을 가능하게 한다.
• MRI 지침 및 희소 뷰 CT priors를 활용한 MRI-to-CT 합성 확산 모델 프레임워크를 개발한다.
• 재훈련 없이 측정 설정의 유연한 조정과 노이즈 측정에 대한 강인성을 확보한다.
• MRI 지침과 CT 측정 임베딩의 결합이 최첨단 baselines에 비해 합성 품질을 향상시키는지 평가한다.

제안 방법

• MRI 지침을 갖춘 조건부 확산 모델.
• 역 샘플링 중 희소 뷰 CT 정보를 삽입하기 위한 Null-space range-null space decomposition.
• A†y 및 역 과정의 측정값 y를 통해 CT 재구성 일치를 강제한다(Equations 5–7).
• 측정 노이즈를 고려한 gamma_t 및 phi_t를 사용한 확산 단계의 노이즈 처리(Equations 7–13).
• 역 과정을 가속하기 위한 DDIM 샘플링(T = 2000 to 100 steps).
• 재훈련 없이 서로 다른 선형 측정 매핑에 적응 가능한 단일 프레임워크

실험 결과

연구 질문

• RQ1 MRI 유도 확산 모델과 희소 뷰 CT 측정이 MRI-to-CT 변환이나 순수 데이터 기반 재구성 방법보다 더 높은 해상도 CT 이미지를 생성할 수 있는가?
• RQ2 범위-널 공간 측정 임베딩이 희소 뷰 및 노이즈 시나리오에서 합성 CT의 데이터 일관성과 구조적 충실도를 향상시키는가?
• RQ3 다중 모달 골반 MRI-CT(Gold Atlas) 및 BRATS2018 데이터 세트에서 DDMM-Synth의 성능은 최첨단 감독 기반 baselines와 비교해 어떤가?
• RQ4 추가 모델 학습 없이 서로 다른 프로젝션 수 및 측정 노이즈에 대해 메서드가 견고한가?

주요 결과

• DDMM-Synth는 Gold Atlas 및 BRATS2018에서 다양한 프로젝션 수에 대해 여러 baselines보다 더 높은 PSNR/SSIM를 달성한다.
• 프로젝션 수가 더 적은 경우(예: 20 vs 23) DDMM-Synth가 더 많은 프로젝션을 사용하는 일부 방법을 능가할 수 있어 희소 뷰에서도 데이터 일관성이 강함을 시사한다.
• DDMM-Synth-noise 변형은 노이즈가 있는 취득에서 성능을 크게 향상시키며 FID 감소로 입증된다.
• 변형에 MRI 지침과 희소 뷰 CT 임베딩이 모두 포함될 때 두 구성 요소 중 하나만 있는 변형보다 CT 재구성이 더 충실함을 보여주는 제거 연구가 있다.
• 확산 기반 합성은 ROIs에서 비-확산 baselines에 비해 해부학적 충실도와 인공물 감소 면에서 더 우수하다.