Denoising Diffusion Models for 3D Healthy Brain Tissue Inpainting

要約

脳の構造的完全性に影響を与える疾患をモニタリングするには、体積変化の評価などのために、磁気共鳴 (MR) 画像の自動分析が必要です。
ただし、評価ツールの多くは健康な組織を分析するために最適化されています。
したがって、病理学的組織を含むスキャンの評価を可能にするには、病理学的領域の健康な組織を復元する必要があります。
この研究では、健康な 3D 脳組織を一貫して修復するためのノイズ除去拡散モデルを探索および拡張します。
私たちは、画像空間で動作する最先端の 2D、擬似 3D、および 3D 手法、および 3D 潜在モデルおよび 3D ウェーブレット拡散モデルを修正し、健康な脳組織を合成するようにトレーニングします。
私たちの評価では、擬似 3D モデルが構造類似性指数、ピーク信号対雑音比、平均二乗誤差に関して最高のパフォーマンスを発揮することがわかりました。
臨床的関連性を強調するために、合成 MS 病変を含むデータでこのモデルを微調整し、下流の脳組織セグメンテーション タスクで評価します。これにより、確立された FMRIB ソフトウェア ライブラリ (FSL) 病変充填法よりも優れた性能を発揮します。

要約(オリジナル)

Monitoring diseases that affect the brain’s structural integrity requires automated analysis of magnetic resonance (MR) images, e.g., for the evaluation of volumetric changes. However, many of the evaluation tools are optimized for analyzing healthy tissue. To enable the evaluation of scans containing pathological tissue, it is therefore required to restore healthy tissue in the pathological areas. In this work, we explore and extend denoising diffusion models for consistent inpainting of healthy 3D brain tissue. We modify state-of-the-art 2D, pseudo-3D, and 3D methods working in the image space, as well as 3D latent and 3D wavelet diffusion models, and train them to synthesize healthy brain tissue. Our evaluation shows that the pseudo-3D model performs best regarding the structural-similarity index, peak signal-to-noise ratio, and mean squared error. To emphasize the clinical relevance, we fine-tune this model on data containing synthetic MS lesions and evaluate it on a downstream brain tissue segmentation task, whereby it outperforms the established FMRIB Software Library (FSL) lesion-filling method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google