Zero-shot CT Field-of-view Completion with Unconditional Generative Diffusion Prior

要約

タイトル：Unconditional Generative Diffusion PriorによるゼロショットCT Field-of-view Completion

要約：

– コンピュータトモグラフィ（CT）におけるFOV切り取りの限界に対する解決策の1つとして、解剖学的に整合性のあるFOV補完が重要である。
– 従来の条件付き生成モデルに基づく解決策は、トレーニングフェーズにおける合成切り落としパターンの信頼性に依存しており、未知の切り落としタイプに対する一般化の制限がある。
– この研究では、事前に学習された無条件生成拡散先行に基づくゼロショット手法を評価し、任意の形態の切り落としパターンを推論フェーズで指定できるようにする。
– 合成FOV切り取りを含むシミュレーションされた胸部CTスライスの評価において、この手法は解剖学的に整合性のある体部位や皮下脂肪組織の測定誤差を回復することができたが、条件付きトレーニングされたものよりも修正精度が劣っていた。

要約(オリジナル)

Anatomically consistent field-of-view (FOV) completion to recover truncated body sections has important applications in quantitative analyses of computed tomography (CT) with limited FOV. Existing solution based on conditional generative models relies on the fidelity of synthetic truncation patterns at training phase, which poses limitations for the generalizability of the method to potential unknown types of truncation. In this study, we evaluate a zero-shot method based on a pretrained unconditional generative diffusion prior, where truncation pattern with arbitrary forms can be specified at inference phase. In evaluation on simulated chest CT slices with synthetic FOV truncation, the method is capable of recovering anatomically consistent body sections and subcutaneous adipose tissue measurement error caused by FOV truncation. However, the correction accuracy is inferior to the conditionally trained counterpart.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI