Diffusion Bridge Models for 3D Medical Image Translation

要約

拡散テンソルイメージング（DTI）は、人間の脳の微細構造に関する重要な洞察を提供しますが、より容易に利用可能なT1強調（T1W）磁気共鳴画像（MRI）と比較して、獲得するのは時間がかかる場合があります。
この課題に対処するために、T1W MRIとDTIモダリティの間の3D脳画像翻訳の拡散ブリッジモデルを提案します。
私たちのモデルは、T1W画像から高品質のDTI分数異方性（FA）画像を生成することを学び、その逆も同様です。
知覚的類似性、ピクセルレベルの一致、および分布の一貫性メトリックを使用してアプローチを評価し、解剖学的構造をキャプチャし、白質の完全性に関する情報を保存する際の強力なパフォーマンスを実証します。
合成データの実用的な有用性は、性分類とアルツハイマー病分類タスクを通じて検証されます。ここでは、生成された画像が実際のデータに匹敵するパフォーマンスを実現します。
拡散ブリッジモデルは、ニューロイメージングデータセットを改善し、臨床的意思決定をサポートするための有望なソリューションを提供し、神経画像の研究と臨床診療に大きな影響を与える可能性があります。

要約(オリジナル)

Diffusion tensor imaging (DTI) provides crucial insights into the microstructure of the human brain, but it can be time-consuming to acquire compared to more readily available T1-weighted (T1w) magnetic resonance imaging (MRI). To address this challenge, we propose a diffusion bridge model for 3D brain image translation between T1w MRI and DTI modalities. Our model learns to generate high-quality DTI fractional anisotropy (FA) images from T1w images and vice versa, enabling cross-modality data augmentation and reducing the need for extensive DTI acquisition. We evaluate our approach using perceptual similarity, pixel-level agreement, and distributional consistency metrics, demonstrating strong performance in capturing anatomical structures and preserving information on white matter integrity. The practical utility of the synthetic data is validated through sex classification and Alzheimer’s disease classification tasks, where the generated images achieve comparable performance to real data. Our diffusion bridge model offers a promising solution for improving neuroimaging datasets and supporting clinical decision-making, with the potential to significantly impact neuroimaging research and clinical practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google