基于去噪扩散的 MRI 到 CT 图像翻译实现自动化脊柱分割
图像与视频处理
2023-11-15 v2 计算机视觉与模式识别
机器学习
摘要
背景：脊柱 MR 图像的自动化分割在科学和临床上均起着至关重要的作用。然而，准确勾画脊柱后结构存在挑战。方法：这项经伦理委员会批准的回顾性研究，共涉及 n=263 对 CT/MR 序列，将 T1w 与 T2w MR 图像序列翻译为 CT 图像。执行基于地标的配准以对齐图像对。我们比较了 2D 成对（Pix2Pix、去噪扩散隐式模型（DDIM）图像模式、DDIM 噪声模式）与非成对（对比非成对翻译、SynDiff）图像到图像翻译，以“峰值信噪比”（PSNR）作为质量度量。一个公开可用的分割网络分割了合成 CT 数据集，并在内部测试集与“MRSpineSeg Challenge”体数据上评估了 Dice 分数。2D 发现被扩展到 3D Pix2Pix 与 DDIM。结果：2D 成对方法与 SynDiff 在成对数据上表现出相似的翻译性能与 Dice 分数。DDIM 图像模式取得了最高图像质量。SynDiff、Pix2Pix 与 DDIM 图像模式表现出相似的 Dice 分数（0.77）。对于头尾轴旋转，每个椎体至少需要两个地标用于配准。3D 翻译优于 2D 方法，带来改进的 Dice 分数（0.80）以及比原始 MR 图像更高分辨率下的解剖学准确分割。结论：每椎体两个地标的配准实现了从 MR 到 CT 的成对图像到图像翻译，并优于所有非成对方法。3D 技术提供了解剖学正确的分割，避免了对棘突等小结构的欠预测。
引用
@article{arxiv.2308.09345,
title = {Denoising diffusion-based MRI to CT image translation enables automated spinal segmentation},
author = {Robert Graf and Joachim Schmitt and Sarah Schlaeger and Hendrik Kristian Möller and Vasiliki Sideri-Lampretsa and Anjany Sekuboyina and Sandro Manuel Krieg and Benedikt Wiestler and Bjoern Menze and Daniel Rueckert and Jan Stefan Kirschke},
journal= {arXiv preprint arXiv:2308.09345},
year = {2023}
}
备注
35 pages, 7 figures, Code and a model weights available https://doi.org/10.5281/zenodo.8221159 and https://doi.org/10.5281/zenodo.8198697