[論文レビュー] CBCT-Based Synthetic CT Image Generation Using Conditional Denoising Diffusion Probabilistic Model

Junbo Peng, Richard L. J. Qiu+9 more|arXiv (Cornell University)|Mar 5, 2023

Image and Signal Denoising Methods参考文献 39被引用数 7

ひとこと要約

本稿では、低品質なコーンビームCT（CBCT）画像を、正確なハンフリーイルド単位（HU）と低減されたアーティファクトを備えた合成CT（sCT）画像に変換する条件付きノイズ除去拡散確率的モデル（DDPM）を提案する。時間埋め込みU-Netを用い、残差ブロックおよびアテンションブロックを組み合わせたモデルは、変形済み計画CT（dpCT）とCBCTスキャンのペアを用いて学習され、オンライン適応放療応用におけるHUの正確性と画像品質において最先端の性能を達成した。

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.

研究の動機と目的

• CBCTのアーティファクトと不正確なハンフリーイルド単位（HU）による適応放療における臨床的制限を解消すること。
• 定量的応用に適した高品質な合成CT（sCT）画像にCBCT画像を変換する深層学習ベースの手法を開発すること。
• 正確なHU値と低減された画像アーティファクトを備えたsCTの生成により、オンライン適応放療を可能にすること。
• 標準的な医療画像指標を用いて、既存の拡散ベースのsCT生成技術と比較して本手法の性能を評価すること。

提案手法

• CBCTからCT画像分布へのマッピングを学習するために、条件付きノイズ除去拡散確率的モデル（DDPM）が用いられた。
• 特徴表現と生成の忠実度を向上させるために、時間埋め込みU-Netアーキテクチャに残差ブロックおよび自己アテンション機構を組み合わせた。
• CBCTと変形済み計画CT（dpCT）のペアを用いて、CBCTからCTへの変換を学習するためのネットワークが訓練された。
• CBCT入力に条件づけられた標準ガウスノイズ入力を段階的にノイズ除去することで、逆方向の拡散プロセスにより現実的なsCT画像が生成された。
• 各ノイズ除去段階において、予測されたCT画像と真値CT画像の差を最小化するノイズ除去損失が訓練プロセスに用いられた。
• 一般化性と臨床的妥当性を評価するために、脳および頭頸部患者コhortを用いて評価が行われた。

実験結果

リサーチクエスチョン

• RQ1 条件付き拡散モデルは、画像品質の向上と正確なハンフリーイルド単位値を備えたCBCTスキャンから合成CT画像を効果的に生成できるか？
• RQ2 本手法が他の拡散ベースのsCT生成手法と比較して、定量的画像品質指標においてどのように異なるか？
• RQ3 生成されたsCTは、適応放療における正確な臓器セグメンテーションおよび線量計算をどの程度可能にするか？
• RQ4 アテンションおよび残差ブロックを備えた時間埋め込みU-Netの使用は、生成されたsCT画像の忠実度と一貫性を向上させるか？

主な発見

• 脳患者コhortでは平均絶対誤差（MAE）が12.3 HU、頭頸部（H&N）患者コhortでは14.1 HUを達成し、高いHU正確性を示した。
• ピークサイナリオ比（PSNR）は脳研究で32.4 dB、H&N研究で30.8 dBに達し、真値CTとの高い構造的類似性を示した。
• 正規化相互相関（NCC）スコアは両コhortで0.92以上であり、生成画像と実CT画像との間で強いピxls単位の類似性を確認した。
• 両解剖的領域において、本手法は4つの既存の拡散ベースsCT生成モデルをすべての定量的指標で上回った。
• 元のCBCTスキャンと比較して、ストリークイングおよびカッピングアーティファクトが顕著に低減された。
• 本モデルは、sCT上での正確な臓器セグメンテーションおよび線量計算を可能にしたため、オンライン適応放療における臨床的有用性を裏付けた。