ゼロショット医療画像変換のための Denoising Diffusion Wavelet モデル

科学分野:

• 医療画像処理
• 人工知能
• 画像処理

背景:

• 拡散モデルは画像生成に有望ですが、解剖学的詳細の損失のため、特にCBCTからCTへの医療画像変換には苦労しています。
• GANやVAEなどの従来のメソッドは、双方向分布マッピングと分布外データへの堅牢性において課題に直面しています。
• 正確なCBCTからCTへの変換は、放射線療法計画と診断にとって重要です。

研究 の 目的:

• 高忠実度のCBCTからCTへの画像変換のための新しい拡散モデルを開発すること。
• 変換プロセス中に解剖学的構造の保持を強化すること。
• インディストリビューションとアウトオブディストリビューションの両方のデータセットで堅牢なパフォーマンスを達成すること。

主な方法:

• CTデータ分布のみを学習するDenoising Diffusion Waveletモデル（DDWM）を提案しました。
• CBCTからのドメイン不変情報を融合するために、類似ブリッジ制御逆拡散プロセスを実装しました。
• 解剖学的構造を保持するために、画像を分解し、類似した周波数帯を特定するためにウェーブレット変換を利用しました。

主要な成果:

• DDWMは、複数の指標（FID、PSNR、MAE、DICEスコア）で最先端の方法と比較して優れたパフォーマンスを示しました。
• このモデルは、ソースCBCT画像から高品質な変換を実現し、複雑な解剖学的詳細を保持しました。
• インディストリビューションとアウトオブディストリビューションの両方のCBCTからCTへの変換データセットで優れた結果が観察されました。

結論:

• 提案されたDDWMは、CBCTからCTへの変換における既存のメソッドの制限を効果的に解決します。
• DDWMは、従来の技術を上回る、医療画像変換のための堅牢で構造的に忠実なアプローチを提供します。
• この手法は、医療画像における診断精度と治療計画の改善に大きな可能性を秘めています。