[论文解读] Brain PET Synthesis from MRI Using Joint Probability Distribution of Diffusion Model at Ultrahigh Fields

Xie Taofeng, Cao Chentao+9 more|arXiv (Cornell University)|Nov 16, 2022

Medical Imaging Techniques and Applications被引用 4

一句话总结

本文提出一种联合概率扩散模型（JPDDM），用于在超高场强（5T 和 7T）下从 MRI 合成脑 PET 扫描图像，通过 U-Net 建模 MRI 和 PET 的联合分布，实现条件得分估计。该方法在 PSNR 指标上优于 CycleGAN 和基于得分的 SDE 基线模型，展现出更高的图像保真度、更优的稳定性和准确性。

ABSTRACT

MRI and PET are important modalities and can provide complementary information for the diagnosis of brain diseases because MRI can provide structural information of brain and PET can obtain functional information of brain. However, PET is usually missing. Especially, simultaneous PET and MRI imaging at ultrahigh field is not achievable in the current. Thus, synthetic PET using MRI at ultrahigh field is essential. In this paper, we synthetic PET using MRI as a guide by joint probability distribution of diffusion model (JPDDM). Meanwhile, We utilized our model in Ultrahigh Fields.

研究动机与目标

• 通过从 MRI 合成 PET 来应对临床中因成本高昂和辐射暴露导致 PET 可用性受限的挑战。
• 实现在超高场强 MRI（5T 和 7T）下的跨模态 PET 合成，目前该场强下尚无法实现同步 PET-MRI 扫描。
• 通过扩散模型建模 MRI 和 PET 的联合概率分布，提升 MRI 到 PET 合成的生成稳定性和准确性。
• 通过引入条件引导和联合分布学习，克服现有方法（如 CycleGAN 和基于得分的 SDE）的局限性。

提出的方法

• 将 PET 合成任务建模为通过 MRI 和 PET 的联合扩散建模，学习条件得分函数 ∇ₓₚₑₜ log p(xₚₑₜ|xₘᵣᵢ)。
• 实施一个前向 SDE，逐步将联合 MRI-PET 数据污染为噪声，噪声尺度范围为 σₘᵢₙ 到 σₘₐₓ。
• 使用基于 U-Net 的得分网络 sθ*(Xᵢ₊₁, i+1) 来估计得分 ∇ₓ log pₜ(Xᵢ)，通过去噪目标 L(θ;σ) = ½𝔼[‖σₘᵢₙ(σₘₐₓ/σₘᵢₙ)ᵗ sθ(Xᵢ₊₁,σ) + z‖₂²] 进行训练。
• 采用预测-校正采样方案：预测器使用反向 SDE，漂移项 fᵢ = 0，扩散项 gᵢ = √(σ²ᵢ − σ²ᵢ₋₁)，而校正器应用步长为 ε 的朗之万动力学。
• 通过在采样过程中固定 xₘᵣᵢ，将生成过程条件化于 MRI，确保模型生成的 PET 与输入 MRI 保持一致。
• 在 ADNI 数据集（14,440 对注册的 MRI-PET 图像）上进行训练与评估，图像尺寸调整为 128×128。

实验结果

研究问题

• RQ1 联合扩散模型能否有效从超高场强（5T 和 7T）下的 MRI 合成高质量脑 PET 图像？
• RQ2 与条件 GAN 或基于得分的 SDE 相比，通过建模 MRI 和 PET 的联合概率分布，是否能显著提升生成图像的质量与稳定性？
• RQ3 在真实 5T 和 7T MRI 扫描上应用所提出的 JPDDM 时，其在 PSNR 和视觉质量方面的表现如何？
• RQ4 当推广到高分辨率、高信噪比的超高场强 MRI 数据时，该方法是否仍保持鲁棒性与准确性？

主要发现

• 所提出的 JPDDM 在 ADNI 数据集上的峰值信噪比（PSNR）高于 CycleGAN 和基于得分的 SDE 基线模型。
• 图 2 的视觉对比显示，JPDDM 生成的合成 PET 图像更具真实感且细节更丰富，伪影更少。
• 如图 3 和图 4 所示，该方法成功实现了从 5T 和 7T MRI 扫描中合成 PET 图像，证实其在超高场强数据上的适用性。
• 通过扩散模型联合建模 MRI 和 PET 显著提升了生成的稳定性和保真度，尤其在保留合成 PET 中的代谢模式方面表现优异。
• 尽管图像质量更优，但由于预测-校正过程中采用迭代采样，该方法的推理速度较慢。
• 该模型在真实临床 5T 和 7T MRI 扫描设备上进行了性能验证，证实其在实际神经影像学应用中的潜力。