[论文解读] Cycle-guided Denoising Diffusion Probability Model for 3D Cross-modality MRI Synthesis

Shaoyan Pan, Chih‐Wei Chang+8 more|arXiv (Cornell University)|Apr 28, 2023

Radiomics and Machine Learning in Medical Imaging被引用 18

一句话总结

本文提出一种 Cycle-guided Denoising Diffusion Probability Model (CG-DDPM)，它使用两个条件 DDPM 通过交换潜在噪声来在两种脉冲序列之间合成匹配的3D MRI 模态，从而提高跨模态合成的准确性和一致性。

ABSTRACT

This study aims to develop a novel Cycle-guided Denoising Diffusion Probability Model (CG-DDPM) for cross-modality MRI synthesis. The CG-DDPM deploys two DDPMs that condition each other to generate synthetic images from two different MRI pulse sequences. The two DDPMs exchange random latent noise in the reverse processes, which helps to regularize both DDPMs and generate matching images in two modalities. This improves image-to-image translation ac-curacy. We evaluated the CG-DDPM quantitatively using mean absolute error (MAE), multi-scale structural similarity index measure (MSSIM), and peak sig-nal-to-noise ratio (PSNR), as well as the network synthesis consistency, on the BraTS2020 dataset. Our proposed method showed high accuracy and reliable consistency for MRI synthesis. In addition, we compared the CG-DDPM with several other state-of-the-art networks and demonstrated statistically significant improvements in the image quality of synthetic MRIs. The proposed method enhances the capability of current multimodal MRI synthesis approaches, which could contribute to more accurate diagnosis and better treatment planning for patients by synthesizing additional MRI modalities.

研究动机与目标

• 开发一种基于扩散的框架，用于两种脉冲序列之间的跨模态MRI合成。
• 通过潜在噪声交换，在两个条件 DDPM 之间实现互正则化。
• 提高多模态MRI生成的合成准确性和模态的一致性。
• 在标准数据集上与现有方法比较性能，以证明改进。

提出的方法

• 采用两个条件去噪扩散概率模型，为每种MRI模态生成合成图像。
• 在反向扩散过程中交换随机潜在噪声，以对两个模型进行正则化。
• 以循环一致性目标训练该对模型，确保跨模态的一致性。
• 使用MAE、MSSIM和PSNR进行定量评估，并在BraTS2020上评估合成一致性。
• 将 CG-DDPM 与若干领先网络进行比较，以确立改进的统计显著性。

实验结果

研究问题

• RQ1 循环引导的潜在噪声在两个条件 DDPM 之间的交换是否能提高跨模态MRI合成的准确性？
• RQ2 提出的 CG-DDPM 是否比现有方法在两种MRI模态之间实现更高的合成一致性？
• RQ3 在标准多模态MRI数据集上，CG-DDPM 在 MAE、MSSIM 和 PSNR 方面的表现如何？
• RQ4 相对于基线网络，改进是否具有统计显著性？

主要发现

• CG-DDPM 在 BraTS2020 数据集上实现了更高的合成准确性和可靠的模态一致性。
• 潜在噪声交换的双DDPM设置提供了正则化效应，从而提高图像质量。
• 与若干最先进网络相比，CG-DDPM 在MRI合成质量方面显示出统计显著的改进。
• 该方法提升了多模态MRI合成潜力，有助于更准确的诊断和治疗计划。