Unsupervised CT Metal Artifact Reduction by Plugging Diffusion Priors in Dual Domains

要約

コンピュータ断層撮影 (CT) のプロセス中に、金属インプラントは再構成画像に破壊的なアーチファクトを引き起こすことが多く、正確な診断を妨げます。
メタルアーティファクト (MAR) を削減するために、教師あり深層学習ベースのアプローチがいくつか提案されています。
ただし、臨床現場でペアの金属アーチファクト CT データとクリーンな CT データを取得することは困難であるため、これらの方法はシミュレートされたデータを使用したトレーニングに大きく依存しています。
この制限により、これらの方法を臨床現場で適用する場合、パフォーマンスの低下につながる可能性があります。
既存の教師なし MAR 手法は、学習に基づくかどうかに関係なく、通常、画像ドメインまたはサイノグラム ドメインのいずれかの単一ドメイン内で動作します。
この論文では、データ分布を表現する高い能力を持つ生成モデルである拡散モデルに基づいた教師なし MAR 法を提案します。
具体的には、まず金属アーチファクトのない CT 画像を使用して拡散モデルをトレーニングします。
続いて、サイノグラム領域と画像領域の両方で事前学習済みの拡散モデル内に埋め込まれた事前分布を繰り返し利用して、金属アーティファクトによって引き起こされた劣化部分を復元します。
このデュアルドメイン処理により、合成データセットを使用して定性的および定量的に検証した拡散モデルに基づく別の MAR 手法を含む、既存の教師なし MAR 手法を上回るパフォーマンスを実現するアプローチが強化されます。
さらに、私たちの方法は、臨床データセットに対する教師ありメソッドと教師なしメソッドの両方と比較して、優れた視覚的結果を示しています。

要約(オリジナル)

During the process of computed tomography (CT), metallic implants often cause disruptive artifacts in the reconstructed images, impeding accurate diagnosis. Several supervised deep learning-based approaches have been proposed for reducing metal artifacts (MAR). However, these methods heavily rely on training with simulated data, as obtaining paired metal artifact CT and clean CT data in clinical settings is challenging. This limitation can lead to decreased performance when applying these methods in clinical practice. Existing unsupervised MAR methods, whether based on learning or not, typically operate within a single domain, either in the image domain or the sinogram domain. In this paper, we propose an unsupervised MAR method based on the diffusion model, a generative model with a high capacity to represent data distributions. Specifically, we first train a diffusion model using CT images without metal artifacts. Subsequently, we iteratively utilize the priors embedded within the pre-trained diffusion model in both the sinogram and image domains to restore the degraded portions caused by metal artifacts. This dual-domain processing empowers our approach to outperform existing unsupervised MAR methods, including another MAR method based on the diffusion model, which we have qualitatively and quantitatively validated using synthetic datasets. Moreover, our method demonstrates superior visual results compared to both supervised and unsupervised methods on clinical datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google