[论文解读] Diffusion Models for Contrast Harmonization of Magnetic Resonance Images

Alicia Durrer, Julia Wolleb+7 more|arXiv (Cornell University)|Mar 14, 2023

MRI in cancer diagnosisMedicine被引用 3

一句话总结

本文提出一种基于扩散模型的方法，用于在1.5T和3T磁共振成像中实现对比度和谐化，利用配对扫描将源对比度转换为目标对比度，同时保持解剖结构不变。与基于生成对抗网络（GAN）的方法相比，该方法在分割一致性与Hausdorff距离指标上表现更优，尤其在1.5T到3T映射任务中，Dice分数更高，组织分割体积差异更小。

ABSTRACT

Magnetic resonance (MR) images from multiple sources often show differences in image contrast related to acquisition settings or the used scanner type. For long-term studies, longitudinal comparability is essential but can be impaired by these contrast differences, leading to biased results when using automated evaluation tools. This study presents a diffusion model-based approach for contrast harmonization. We use a data set consisting of scans of 18 Multiple Sclerosis patients and 22 healthy controls. Each subject was scanned in two MR scanners of different magnetic field strengths (1.5 T and 3 T), resulting in a paired data set that shows scanner-inherent differences. We map images from the source contrast to the target contrast for both directions, from 3 T to 1.5 T and from 1.5 T to 3 T. As we only want to change the contrast, not the anatomical information, our method uses the original image to guide the image-to-image translation process by adding structural information. The aim is that the mapped scans display increased comparability with scans of the target contrast for downstream tasks. We evaluate this method for the task of segmentation of cerebrospinal fluid, grey matter and white matter. Our method achieves good and consistent results for both directions of the mapping.

研究动机与目标

• 解决因扫描仪引起的对比度差异导致的多扫描仪MRI研究中纵向可比性问题。
• 开发一种在不改变解剖结构的前提下实现图像对比度和谐化的方法，以支持可靠的后续分析。
• 评估扩散模型在医学影像中图像到图像翻译任务，特别是对比度和谐化中的有效性。
• 比较扩散模型与基于GAN的方法在保持分割准确性和空间保真度方面的性能。

提出的方法

• 将去噪扩散概率模型（DDPM）适配用于1.5T与3T磁共振成像之间的图像到图像翻译。
• 模型以源图像作为条件输入，引导翻译过程，确保仅调整对比度而保留解剖结构。
• 单独处理2D切片，然后堆叠为3D体积，以减少内存占用并避免条纹伪影。
• 该方法在18名多发性硬化患者和22名健康对照者的配对数据上进行训练，扫描在1.5T和3T场强下获取。
• 图像翻译在两个方向上均执行：从1.5T到3T，以及从3T到1.5T，实现双向和谐化。
• 使用FAST算法对脑脊液（CSF）、灰质（GM）和白质（WM）进行分割，评估指标包括Dice分数、Hausdorff距离和体积差异。

实验结果

研究问题

• RQ1 扩散模型能否在保持解剖结构的前提下，有效实现1.5T与3T扫描之间的磁共振图像对比度和谐化？
• RQ2 所提出的扩散模型在分割准确性和空间一致性方面与基于GAN的基线方法相比表现如何？
• RQ3 通过扩散模型实现的对比度和谐化是否能减少不同场强扫描间组织分割的体积差异？
• RQ4 该方法能否在空间边界失真最小的情况下维持高质量的分割输出，如Hausdorff距离所衡量的那样？
• RQ5 该方法在双向翻译（1.5T→3T与3T→1.5T）中是否具有鲁棒性，尤其是在无对抗训练的情况下？

主要发现

• 在所有组织类别（CSF、GM、WM）的两个翻译方向中，所提出的扩散模型在Hausdorff距离指标上均优于原始图像和基于GAN的方法。
• 在1.5T到3T映射中，与原始图像相比，扩散模型在GM和WM上的Dice分数得到提升，其中WM的Dice分数为0.88，GM的Dice分数也为0.88。
• 该模型在减少转换图像与真实值（3T扫描）之间组织分割体积差异方面，优于基于GAN的基线方法，尤其在1.5T到3T方向上表现更优。
• 通过将2D切片堆叠为3D体积时未出现条纹伪影，证明该方法保持了解剖结构保真度。
• 尽管采样时间更长，扩散模型在Hausdorff距离和分割一致性方面仍优于基于GAN的方法。
• 该模型表现出强泛化能力，在双向翻译中均保持一致的性能，最佳结果出现在1.5T到3T映射任务中。