[论文解读] 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 7

一句话总结

本文提出了一种条件去噪扩散概率模型（DDPM），可将低质量的锥形束 CT（CBCT）图像转换为具有准确 Hounsfield 单位（HU）和减少伪影的合成 CT（sCT）图像。采用带有残差和注意力模块的时间嵌入 U-Net 架构，模型在配对的变形计划 CT（dpCT）与 CBCT 扫描上进行训练，在在线自适应放疗应用中实现了 HU 准确性和图像质量的最先进性能。

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.

研究动机与目标

• 为解决 CBCT 在自适应放疗中因伪影和 HU 值不准确导致的临床局限性。
• 开发一种基于深度学习的方法，将 CBCT 图像转换为适用于定量应用的高质量合成 CT（sCT）图像。
• 通过生成具有准确 HU 值和减少图像伪影的 sCT，实现在线自适应放疗。
• 使用标准医学图像度量，评估所提方法与现有基于扩散模型的 sCT 生成技术的性能。

提出的方法

• 采用条件去噪扩散概率模型（DDPM）学习从 CBCT 到 CT 图像分布的映射。
• 模型采用时间嵌入 U-Net 架构，结合残差块与自注意力机制，以提升特征表示与生成保真度。
• 网络在配对的变形计划 CT（dpCT）与 CBCT 图像对上进行训练，以学习从 CBCT 到 CT 的图像翻译。
• 通过反向扩散过程，从标准高斯噪声输入中逐步去除噪声，并以 CBCT 输入为条件，生成逼真的 sCT 图像。
• 训练过程使用去噪损失，以最小化每个去噪步骤中预测图像与真实 CT 图像之间的差异。
• 在脑部与头颈部患者队列上评估该方法，以评估其泛化能力与临床相关性。

实验结果

研究问题

• RQ1 条件扩散模型能否有效从 CBCT 扫描中生成图像质量更高、HU 值更准确的合成 CT 图像？
• RQ2 与其它基于扩散模型的 sCT 生成方法相比，所提出的 DDPM 方法在定量图像质量度量方面表现如何？
• RQ3 所生成的 sCT 在自适应放疗中支持准确器官分割与剂量计算的程度如何？
• RQ4 使用时间嵌入 U-Net 搭载注意力与残差模块是否提升了生成 sCT 图像的保真度与一致性？

主要发现

• 在脑部患者研究中，该方法实现了 12.3 HU 的平均绝对误差（MAE），在头颈部（H&N）患者研究中为 14.1 HU，表明 HU 准确性很高。
• 在脑部研究中，峰值信噪比（PSNR）达到 32.4 dB，在 H&N 研究中为 30.8 dB，表明与真实 CT 的结构相似性很高。
• 在两组队列中，归一化互相关（NCC）得分均高于 0.92，证实生成图像与真实 CT 图像之间具有强像素级相似性。
• 在两个解剖区域的所有定量度量中，该方法均优于四种现有的基于扩散模型的 sCT 生成模型。
• 与原始 CBCT 扫描相比，生成的 sCT 图像显著减少了条纹伪影与杯状伪影。
• 该模型在 sCT 上实现了准确的器官分割与剂量计算，支持其在在线自适应放疗中的临床实用性。