論文の概要: Synthetic CT Generation from MRI using 3D Transformer-based Denoising Diffusion Model

• arxiv url: http://arxiv.org/abs/2305.19467v1
• Date: Wed, 31 May 2023 00:32:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-01 19:20:01.351308
• Title: Synthetic CT Generation from MRI using 3D Transformer-based Denoising Diffusion Model
• Title（参考訳）: 3次元トランスを用いたデノイング拡散モデルを用いたMRIからの合成CT生成
• Authors: Shaoyan Pan, Elham Abouei, Jacob Wynne, Tonghe Wang, Richard L.J. Qiu, Yuheng Li, Chih-Wei Chang, Junbo Peng, Justin Roper, Pretesh Patel, David S. Yu, Hui Mao and Xiaofeng Yang
• Abstract要約: 磁気共鳴イメージング(MRI)を用いたシンセティックCT(sCT)は放射線治療計画を簡単にする。 本稿では,MRIを高品質なsCTに変換するためのMRI-to-CT変換器を用いた denoising diffusion probabilistic model (MC-DDPM)を提案する。
• 参考スコア（独自算出の注目度）: 2.232713445482175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Magnetic resonance imaging (MRI)-based synthetic computed tomography (sCT) simplifies radiation therapy treatment planning by eliminating the need for CT simulation and error-prone image registration, ultimately reducing patient radiation dose and setup uncertainty. We propose an MRI-to-CT transformer-based denoising diffusion probabilistic model (MC-DDPM) to transform MRI into high-quality sCT to facilitate radiation treatment planning. MC-DDPM implements diffusion processes with a shifted-window transformer network to generate sCT from MRI. The proposed model consists of two processes: a forward process which adds Gaussian noise to real CT scans, and a reverse process in which a shifted-window transformer V-net (Swin-Vnet) denoises the noisy CT scans conditioned on the MRI from the same patient to produce noise-free CT scans. With an optimally trained Swin-Vnet, the reverse diffusion process was used to generate sCT scans matching MRI anatomy. We evaluated the proposed method by generating sCT from MRI on a brain dataset and a prostate dataset. Qualitative evaluation was performed using the mean absolute error (MAE) of Hounsfield unit (HU), peak signal to noise ratio (PSNR), multi-scale Structure Similarity index (MS-SSIM) and normalized cross correlation (NCC) indexes between ground truth CTs and sCTs. MC-DDPM generated brain sCTs with state-of-the-art quantitative results with MAE 43.317 HU, PSNR 27.046 dB, SSIM 0.965, and NCC 0.983. For the prostate dataset, MC-DDPM achieved MAE 59.953 HU, PSNR 26.920 dB, SSIM 0.849, and NCC 0.948. In conclusion, we have developed and validated a novel approach for generating CT images from routine MRIs using a transformer-based DDPM. This model effectively captures the complex relationship between CT and MRI images, allowing for robust and high-quality synthetic CT (sCT) images to be generated in minutes.
• Abstract（参考訳）: mri(mri)ベースの合成ct(sct)は、ctシミュレーションや画像登録の誤りをなくし、最終的に患者の放射線線量と設定の不確かさを低減し、放射線治療の治療計画を単純化する。 本稿では,MRIからCTへの拡散確率モデル(MC-DDPM)を提案し,MRIを高品質なsCTに変換し,放射線治療計画を容易にする。 mc-ddpmはmriからsctを生成するためにシフトウィンドウトランスフォーマネットワークで拡散プロセスを実装する。 提案手法は, 現実のCTスキャンにガウスノイズを付加する前処理と, シフトウインドウトランスフォーマーV-ネット(Swin-Vnet)が同一患者からMRIに条件付きノイズCTスキャンを分解してノイズのないCTスキャンを生成する逆処理の2つのプロセスからなる。 最適なトレーニングを施したSwin-Vnetを用いて,MRI解剖に適合するsCTスキャンを逆拡散法で生成した。 脳データセットと前立腺データセットからmriからsctを生成することにより,提案手法を評価した。 hounsfield unit (hu) の平均絶対誤差 (mae) , peak signal to noise ratio (psnr), multi-scale structure similarity index (ms-ssim) および normalized cross correlation (ncc) index を用いて定性評価を行った。 MC-DDPMは、MAE 43.317 HU、PSNR 27.046 dB、SSIM 0.965、NCC 0.983による最先端の定量的結果を持つ脳sCTを生成する。 前立腺のデータセットでは、MC-DDPMはMAE 59.953 HU、PSNR 26.920 dB、SSIM 0.849、NCC 0.948を達成した。 そこで本研究では,変圧器を用いたDDPMを用いたMRI画像からCT画像を生成する手法を開発した。 このモデルは、CTとMRIの複雑な関係を効果的に捉え、堅牢で高品質な合成CT(sCT)画像を数分で生成することができる。

関連論文リスト

• Enhancing Cross-Modality Synthesis: Subvolume Merging for MRI-to-CT Conversion [4.256879489558776]
  我々は,MRI画像からCTを合成するために,高度なSwinUNETRフレームワークを使用している。 予測過程に3次元サブボリュームマージ手法を導入する。
  論文  参考訳（メタデータ） (2024-09-09T18:25:26Z)
• WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
  我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。 WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2024-03-18T11:20:11Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Cycle-consistent Generative Adversarial Network Synthetic CT for MR-only Adaptive Radiation Therapy on MR-Linac [0.0]
  MR-LINAC治療のMRIおよびCTスキャンスライスを用いてサイクロGANモデルを訓練し,sCTボリュームを作成した。 ドシメトリック評価では, sCTとdCTの差は小さかったが, sCTでは気泡再建が良好であった。
  論文  参考訳（メタデータ） (2023-12-03T04:38:17Z)
• Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders (DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
  高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。 Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。 この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
  論文  参考訳（メタデータ） (2023-07-12T00:01:00Z)
• DDMM-Synth: A Denoising Diffusion Model for Cross-modal Medical Image Synthesis with Sparse-view Measurement Embedding [7.6849475214826315]
  本稿では,医療画像合成のためのDDMM-Synthという新しいフレームワークを提案する。 これはMRI誘導拡散モデルと新しいCT計測埋め込み逆サンプリングスキームを組み合わせたものである。 特定の臨床応用のための後方CTの投射数を調整することができ、その修正版はノイズのある症例に対して結果を著しく改善することができる。
  論文  参考訳（メタデータ） (2023-03-28T07:13:11Z)
• Synthetic CT Skull Generation for Transcranial MR Imaging-Guided Focused Ultrasound Interventions with Conditional Adversarial Networks [5.921808547303054]
  経頭蓋MRIガイド下集束超音波(TcMRgFUS)は頭蓋骨内の音をMRIガイド下において非侵襲的に小さな領域に集束する治療用超音波法である。 頭蓋骨を通して超音波を的確に標的にするためには、送信波が目標領域に建設的に干渉する必要がある。
  論文  参考訳（メタデータ） (2022-02-21T11:34:29Z)
• Frequency-Supervised MR-to-CT Image Synthesis [23.47506325756089]
  本稿では磁気共鳴(MR)画像から合成CT画像を生成する。 既存のアプローチはすべて共通の制限を共有しており、CT画像の高周波部分と周辺を再構成する。 我々は,高頻度MR-CT画像再構成を明示的に向上するために,周波数教師付きディープネットワークを導入する。
  論文  参考訳（メタデータ） (2021-07-19T15:18:36Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。