HC$^3$L-Diff：用于 CBCT-to-CT 合成的混合条件潜在扩散模型 with high frequency enhancement
图像与视频处理
2024-11-05 v1 计算机视觉与模式识别
摘要
背景：锥束计算机断层扫描 (CBCT) 在图像引导放射治疗中发挥关键作用，但因伪影和噪声导致其不适用于准确剂量计算。人工智能方法在提高 CBCT 质量以生成合成 CT (sCT) 图像方面显示出前景。然而，现有方法要么产生图像质量次优，要么计算时间成本过高，无法满足临床实践标准。方法与材料：我们提出一种新型混合条件潜在扩散模型，用于高效且准确的 CBCT-to-CT 合成，命名为 HCL-Diff。我们采用统一特征编码器 (UFE) 将图像压缩到低维潜在空间，从而优化计算效率。除使用 CBCT 图像外，我们提出将其高频知识作为混合条件集成进模型，以引导生成保留结构细节的 sCT 图像。这种高频信息通过设计的高频提取器 (HFE) 捕获。在推断阶段，我们利用去噪扩散隐式模型实现快速采样。我们构建了一个新的在家膀胱数据集，包含配对的 CBCT 和 CT 用于验证方法有效性。结果：大量实验表明，我们的方法在 sCT 质量和生成效率方面优于最先进的方法。此外，我们的医学物理学家进行了剂量学评估，验证了该方法在实际剂量计算中的益处，达到了 93.8% 的伽玛通过率（2%/2mm 标准），优于其他方法。结论：所提 HCL-Diff 能在仅用 2 分钟即可高效实现高质量的 CBCT-to-CT 合成。其在剂量计算中的前景表现为增强现实世界自适应放疗提供了巨大潜力。
关键词
引用
@article{arxiv.2411.01575,
title = {HC$^3$L-Diff: Hybrid conditional latent diffusion with high frequency enhancement for CBCT-to-CT synthesis},
author = {Shi Yin and Hongqi Tan and Li Ming Chong and Haofeng Liu and Hui Liu and Kang Hao Lee and Jeffrey Kit Loong Tuan and Dean Ho and Yueming Jin},
journal= {arXiv preprint arXiv:2411.01575},
year = {2024}
}
备注
13 pages, 5 figures