[논문 리뷰] DiffusionCT: Latent Diffusion Model for CT Image Standardization

Md. Selim, Jie Zhang외 3명|ArXiv.org|2023. 01. 20.

Radiomics and Machine Learning in Medical Imaging참고 문헌 21인용 수 6

한 줄 요약

이 논문은 다양한 스캐너와 프로토콜 간의 CT 영상을 표준화하기 위해 공통 잠재 표현을 학습하는 잠재 확산 모델인 DiffusionCT를 제안한다. 잠재 공간에서 인코더-디코더 네트워크와 확산 모델을 훈련시킴으로써 DiffusionCT는 방사성학적 특징 일관성에서 최신 기술 수준의 성능을 달성하였으며, 대부분의 특징 유형에서 CCC 점수는 1.00 ± 0.00를 기록하고, GAN 기반 및 DDPM 기반 기준 모델보다 질감 특징을 더 잘 유지하였다.

ABSTRACT

Computed tomography (CT) is one of the modalities for effective lung cancer screening, diagnosis, treatment, and prognosis. The features extracted from CT images are now used to quantify spatial and temporal variations in tumors. However, CT images obtained from various scanners with customized acquisition protocols may introduce considerable variations in texture features, even for the same patient. This presents a fundamental challenge to downstream studies that require consistent and reliable feature analysis. Existing CT image harmonization models rely on GAN-based supervised or semi-supervised learning, with limited performance. This work addresses the issue of CT image harmonization using a new diffusion-based model, named DiffusionCT, to standardize CT images acquired from different vendors and protocols. DiffusionCT operates in the latent space by mapping a latent non-standard distribution into a standard one. DiffusionCT incorporates an Unet-based encoder-decoder, augmented by a diffusion model integrated into the bottleneck part. The model is designed in two training phases. The encoder-decoder is first trained, without embedding the diffusion model, to learn the latent representation of the input data. The latent diffusion model is then trained in the next training phase while fixing the encoder-decoder. Finally, the decoder synthesizes a standardized image with the transformed latent representation. The experimental results demonstrate a significant improvement in the performance of the standardization task using DiffusionCT.

연구 동기 및 목표

• 스캐너 제조사와 촬영 프로토콜의 차이로 인해 발생하는 CT 영상의 방사성학적 특징 일관성 문제를 해결하기 위해.
• 해부학적 세부 구조를 유지하면서 질감과 강도의 변동을 최소화하는 강력하고 일반화 가능한 영상 표준화 방법을 개발하기 위해.
• 의료 영상 조율에 있어 잠재 공간에서의 확산 모델의 잠재력을 탐색하여 기존 GAN 기반 접근 방식을 초월하기 위해.

제안 방법

• DiffusionCT는 두 단계 훈련 프로세스를 사용한다: 먼저 ResNet-18 기반의 인코더-디코더 네트워크를 사전 훈련하여 비표준 CT 영상의 잠재 표현을 학습한다.
• 모델은 인코더-디코더의 버팀목 부분에 노이즈 제거 확산 확률 모델(DDPM)을 통합하여, 비표준 분포에서 표준 분포로의 잠재 공간 매핑을 가능하게 한다.
• 확산 모델은 인코더-디코더를 고정한 채로 잠재 공간에서 훈련되어, 잠재 표현의 정밀한 개선이 가능하다.
• 표준화는 비표준 영상의 인코딩된 잠재 벡터를 사용해 훈련된 확산 모델에서 샘플링하여 이루어지며, 표준화된 출력을 생성한다.
• 모델은 노이즈 스케줄과 역확산 과정을 사용하여 잠재 표현을 목표 분포로 점차적으로 노이즈 제거한다.
• 모델 평가에는 다양한 특징 유형 간에 합성 영상과 표준 영상의 방사성학적 특징 간의 일치성 상관계수(ICC)를 사용한다.

실험 결과

연구 질문

• RQ1 잠재 확산 모델이 다양한 스캐너와 촬영 프로토콜 간의 CT 영상 표준화에 효과적으로 기여할 수 있는가?
• RQ2 기존 최신 기술 수준의 GAN 기반 모델과 비교했을 때, 확산 기반 접근 방식이 방사성학적 특징 일관성 유지에 있어 성능에서 뛰어나게 되는가?
• RQ3 이미지 공간에서의 확산 모델 대비 잠재 공간에서의 확산 모델 훈련이 영상 품질, 특징 충실도, 모델 효율성 측면에서 우수한 성능을 보이는가?
• RQ4 제안된 방법이 표준화된 영상에서 질감과 강도의 변동을 최소화하면서도 해부학적 구조를 얼마나 잘 유지하는가?
• RQ5 인코더-디코더가 학습한 잠재 공간 표현이 확산 모델링을 통해 고해상도 영상 합성을 지원하는 데에 충분한가?

주요 결과

• DiffusionCT는 GOH 특징 유형에서 CCC가 1.00 ± 0.00을 기록하여 합성 영상과 표준 영상 간의 방사성학적 특징이 완벽한 상관관계를 보였다.
• 거의 전체 방사성학적 특징의 50%를 차지하는 GLCM 및 GLRLM 특징에 대해 DiffusionCT는 각각 0.85 ± 0.14 및 0.79 ± 0.21의 CCC 값을 기록하여 비교된 모든 모델보다 뛰어난 성능을 보였다.
• 상대 오차 측면에서 DiffusionCT는 15% 이내 오차를 유지한 방사성학적 특징의 비율을 64%로 기록하여 GANai(20%), STAN-CT(32%), RadiomicGAN(51%)을 크게 앞섰다.
• 질적 비교 결과, 종양 영역에서 다른 방법과 비교해 특히 표준 영상과 유사한 시각적 유사성을 보였다.
• DDPM는 GLCM 및 GLRLM에서 略로 높은 성능을 보였지만, DiffusionCT는 다양한 특징 유형에 걸쳐 가장 높은 종합 일관성을 확보하였다.
• 두 단계 훈련 전략—사전 훈련된 인코더-디코더에 이어 잠재 공간에서의 확산 미세조정—은 낮은 잡음과 함께 안정적이고 고품질의 영상 합성을 가능하게 하였다.