Beyond the Lungs: Extending the Field of View in Chest CT with Latent Diffusion Models

要約

人間の肺と肝臓や腎臓などの他の臓器との相互接続は、肺疾患の潜在的なリスクと影響を理解し、患者ケアを改善するために非常に重要です。
ただし、ほとんどの研究胸部 CT イメージングは​​、コストと放射線量を考慮して肺のみに焦点を当てています。
取得された画像のこの限られた視野 (FOV) は、包括的な分析に課題をもたらし、肺疾患が他の臓器に与える影響についての洞察を得る能力を妨げます。
これに対処するために、我々は、CT 画像から臓器間の関係を捕捉し、胸部 CT 画像の FOV を拡張する新しいアプローチである SCOPE (Spatial Coverage Optimization with Prior Encoding) を提案します。
私たちのアプローチでは、まず変分オートエンコーダー (VAE) をトレーニングして 2D アキシャル CT スライスを個別にエンコードし、次に VAE の潜在表現をスタックして、潜在拡散モデルをトレーニングするための 3D コンテキストを形成します。
トレーニングが完了すると、私たちのアプローチは、ゼロショット方式で新しい軸方向スライスを生成することにより、CT 画像の FOV を Z 方向に拡張します。
私たちは National Lung Screening Trial (NLST) データセットでアプローチを評価しました。その結果、元の NLST データ収集では完全にはカバーされていない肝臓と腎臓を含むように FOV が効果的に拡張されることが示唆されました。
保持された全身データセットの定量的結果は、生成されたスライスが取得データに対して高い忠実度を示し、SSIM 0.81 を達成していることを示しています。

要約(オリジナル)

The interconnection between the human lungs and other organs, such as the liver and kidneys, is crucial for understanding the underlying risks and effects of lung diseases and improving patient care. However, most research chest CT imaging is focused solely on the lungs due to considerations of cost and radiation dose. This restricted field of view (FOV) in the acquired images poses challenges to comprehensive analysis and hinders the ability to gain insights into the impact of lung diseases on other organs. To address this, we propose SCOPE (Spatial Coverage Optimization with Prior Encoding), a novel approach to capture the inter-organ relationships from CT images and extend the FOV of chest CT images. Our approach first trains a variational autoencoder (VAE) to encode 2D axial CT slices individually, then stacks the latent representations of the VAE to form a 3D context for training a latent diffusion model. Once trained, our approach extends the FOV of CT images in the z-direction by generating new axial slices in a zero-shot manner. We evaluated our approach on the National Lung Screening Trial (NLST) dataset, and results suggest that it effectively extends the FOV to include the liver and kidneys, which are not completely covered in the original NLST data acquisition. Quantitative results on a held-out whole-body dataset demonstrate that the generated slices exhibit high fidelity with acquired data, achieving an SSIM of 0.81.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google