Diffusion Deformable Model for 4D Temporal Medical Image Generation

要約

3D + t（4D）情報を含む時間ボリューム画像は、時間的ダイナミクスを統計的に分析したり、病気の進行をキャプチャしたりするために、医用画像でよく使用されます。
自然画像の深層学習ベースの生成モデルは広く研究されていますが、4D心臓ボリュームデータなどの一時的な医用画像生成のアプローチは限られています。
この作業では、ソースボリュームとターゲットボリュームの間に中間の時間ボリュームを生成する新しい深層学習モデルを提示します。
具体的には、現実的な画像生成のために最近広く研究されているノイズ除去拡散確率モデルを適応させることにより、拡散変形可能モデル（DDM）を提案します。
提案するDDMは、拡散モジュールと変形モジュールで構成されているため、DDMはソースボリュームとターゲットボリューム間の空間変形情報を学習し、測地線パスに沿って中間フレームを生成するための潜在コードを提供できます。
モデルがトレーニングされると、拡散モジュールから推定された潜在コードが単純に補間されて変形モジュールに送られます。これにより、DDMは、ソース画像のトポロジを維持しながら、連続軌道に沿って時間フレームを生成できます。
各被験者の拡張期と収縮期の間の4D心臓MR画像生成を使用して提案された方法を示します。
既存の変形方法と比較して、当社のDDMは一時的なボリューム生成で高いパフォーマンスを実現します。

要約(オリジナル)

Temporal volume images with 3D+t (4D) information are often used in medical imaging to statistically analyze temporal dynamics or capture disease progression. Although deep-learning-based generative models for natural images have been extensively studied, approaches for temporal medical image generation such as 4D cardiac volume data are limited. In this work, we present a novel deep learning model that generates intermediate temporal volumes between source and target volumes. Specifically, we propose a diffusion deformable model (DDM) by adapting the denoising diffusion probabilistic model that has recently been widely investigated for realistic image generation. Our proposed DDM is composed of the diffusion and the deformation modules so that DDM can learn spatial deformation information between the source and target volumes and provide a latent code for generating intermediate frames along a geodesic path. Once our model is trained, the latent code estimated from the diffusion module is simply interpolated and fed into the deformation module, which enables DDM to generate temporal frames along the continuous trajectory while preserving the topology of the source image. We demonstrate the proposed method with the 4D cardiac MR image generation between the diastolic and systolic phases for each subject. Compared to the existing deformation methods, our DDM achieves high performance on temporal volume generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google