Towards Learning Contrast Kinetics with Multi-Condition Latent Diffusion Models

要約

動的造影磁気共鳴画像法における造影剤を使用すると、腫瘍の位置を特定し、その造影動態を観察することができます。これは、がんの特徴付けやそれぞれの治療の意思決定に不可欠です。
しかし、造影剤の投与は健康への悪影響を伴うだけでなく、妊娠中の患者や腎臓の機能不全、その他の副作用のある患者には制限されます。
造影剤の取り込みは病変の悪性度、癌の再発リスク、治療反応の重要なバイオマーカーであるため、静脈内造影剤投与への依存を減らすことが極めて重要になります。
この目的を達成するために、我々は、DCE-MRI時間シーケンスの取得時間条件付き画像合成が可能な多条件潜在拡散モデルを提案する。
医用画像合成を評価するために、合成画像データと実際の画像データ間のバイオマーカーのばらつきに基づく画質尺度として、フレシェ ラジオミクス距離をさらに提案し、検証します。
我々の結果は、現実的なマルチシーケンス脂肪飽和乳房 DCE-MRI を生成する我々の方法の能力を実証し、深層学習ベースのコントラスト動態シミュレーションの新たな可能性を明らかにします。
私たちはアクセス可能なコードベースを https://github.com/RichardObi/ccnet で公開し、Fr\’echet ラジオミクス距離計算用の使いやすいライブラリを https://pypi.org/project/frd-score で提供しています。

要約(オリジナル)

Contrast agents in dynamic contrast enhanced magnetic resonance imaging allow to localize tumors and observe their contrast kinetics, which is essential for cancer characterization and respective treatment decision-making. However, contrast agent administration is not only associated with adverse health risks, but also restricted for patients during pregnancy, and for those with kidney malfunction, or other adverse reactions. With contrast uptake as key biomarker for lesion malignancy, cancer recurrence risk, and treatment response, it becomes pivotal to reduce the dependency on intravenous contrast agent administration. To this end, we propose a multi-conditional latent diffusion model capable of acquisition time-conditioned image synthesis of DCE-MRI temporal sequences. To evaluate medical image synthesis, we additionally propose and validate the Fr\’echet radiomics distance as an image quality measure based on biomarker variability between synthetic and real imaging data. Our results demonstrate our method’s ability to generate realistic multi-sequence fat-saturated breast DCE-MRI and uncover the emerging potential of deep learning based contrast kinetics simulation. We publicly share our accessible codebase at https://github.com/RichardObi/ccnet and provide a user-friendly library for Fr\’echet radiomics distance calculation at https://pypi.org/project/frd-score.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google