X-Diffusion: Generating Detailed 3D MRI Volumes From a Single Image Using Cross-Sectional Diffusion Models

要約

磁気共鳴イメージング（MRI）は重要な診断ツールですが、高解像度スキャンは、広範なデータ収集要件のために遅くて高価なことがよくあります。
従来のMRI再構成方法は、Kスペースで欠落している周波数コンポーネントを埋め、完全な3Dスキャンを必要とする3Dツー3D再構成を実行することにより、このプロセスを促進することを目的としています。
対照的に、非常にまばらな空間ドメイン入力から詳細な3D MRIボリュームを再構築する新しい断面拡散モデルであるX-diffusionを導入し、単一の2D MRIスライスまたは少数のスライスから2D-3D再構成を達成します。
X拡散の重要な側面は、MRIスキャンを標準平面（冠状、軸、矢状）の2Dスライスのコレクションとして扱う以前の学習アプローチとは異なり、断面トレーニングと推論中にMRIデータを断面トレーニングおよび推論中にホリスティックな3Dボリュームとしてモデル化することです。
Bratsデータセットの脳腫瘍MRIのX拡散と、英国Biobankデータセットの全身MRIを評価しました。
我々の結果は、X拡散が目に見えないデータの定量精度（PSNR）の最先端の方法を上回るだけでなく、腫瘍プロファイル、脊椎の湾曲、脳の体積などの重要な解剖学的特徴を維持することを示しています。
驚くべきことに、このモデルはトレーニングドメインを超えて一般化し、脳データのみでトレーニングされているにもかかわらず、膝MRIの再構築に成功します。
医療専門家の評価により、生成された画像の臨床的関連性と忠実度がさらに確認されます。X-diffusionは、非常に限られた2D入力データから詳細な3D MRIを生成できる最初の方法であり、MRIの獲得を加速し、関連するコストを削減する可能性があります。
このコードは、プロジェクトWebサイトhttps://emmanuelleb985.github.io/xdiffusion/で入手できます。

要約(オリジナル)

Magnetic Resonance Imaging (MRI) is a crucial diagnostic tool, but high-resolution scans are often slow and expensive due to extensive data acquisition requirements. Traditional MRI reconstruction methods aim to expedite this process by filling in missing frequency components in the K-space, performing 3D-to-3D reconstructions that demand full 3D scans. In contrast, we introduce X-Diffusion, a novel cross-sectional diffusion model that reconstructs detailed 3D MRI volumes from extremely sparse spatial-domain inputs, achieving 2D-to-3D reconstruction from as little as a single 2D MRI slice or few slices. A key aspect of X-Diffusion is that it models MRI data as holistic 3D volumes during the cross-sectional training and inference, unlike previous learning approaches that treat MRI scans as collections of 2D slices in standard planes (coronal, axial, sagittal). We evaluated X-Diffusion on brain tumor MRIs from the BRATS dataset and full-body MRIs from the UK Biobank dataset. Our results demonstrate that X-Diffusion not only surpasses state-of-the-art methods in quantitative accuracy (PSNR) on unseen data but also preserves critical anatomical features such as tumor profiles, spine curvature, and brain volume. Remarkably, the model generalizes beyond the training domain, successfully reconstructing knee MRIs despite being trained exclusively on brain data. Medical expert evaluations further confirm the clinical relevance and fidelity of the generated images.To our knowledge, X-Diffusion is the first method capable of producing detailed 3D MRIs from highly limited 2D input data, potentially accelerating MRI acquisition and reducing associated costs. The code is available on the project website https://emmanuelleb985.github.io/XDiffusion/ .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google