3D CBCT Artefact Removal Using Perpendicular Score-Based Diffusion Models

Deze paper presenteert een nieuwe methode voor het verwijderen van artefacten in 3D CBCT-beelden door middel van loodrechte score-gebaseerde diffusiemodellen die in het projectiedomein werken om de inconsistenties van bestaande 2D-benaderingen te overwinnen en zo de beeldkwaliteit en diagnoseprecisie te verbeteren.

De kern

Stel je voor dat je een tandartsbezoek doet en een 3D-scan van je kaak maakt. Dit is een CBCT-scan: een heel scherpe foto van je gebit, maar dan in drie dimensies. Het is geweldig voor de tandarts, maar er is één groot probleem: als er metalen implantaten in je kaak zitten, veroorzaken ze een soort "glitch" of artefact op de foto.

Het is alsof je door een raam kijkt, maar er zit een grote, glimmende sticker op het glas. Achter die sticker zie je niets meer, en de rest van het raam lijkt ook een beetje vervormd. Voor een tandarts is dit vervelend; ze kunnen niet goed zien of het bot gezond is of of er een infectie is.

Het oude probleem: De "Eenzame Schilder"

Vroeger probeerden computers deze vlekken weg te werken door naar één enkele foto (een 2D-projection) te kijken en te raden wat er onder de sticker had moeten zitten.

Stel je voor dat je een schilderij hebt met een gat erin. Als je alleen naar dat ene gat kijkt, zonder de rest van het schilderij te zien, is het heel moeilijk om te raden of er daar een boom, een huis of een auto had moeten staan. Je maakt een gok, maar die gok klopt vaak niet met de foto's die eromheen staan. In de 3D-wereld betekent dit: de computer maakt een gok op foto A, een andere gok op foto B, en als je die weer samenvoegt tot een 3D-blok, klopt het beeld niet meer. Het wordt wazig en onlogisch.

De nieuwe oplossing: Twee schilders die samenwerken

De auteurs van dit paper hebben een slimme nieuwe manier bedacht, gebaseerd op Diffusiemodellen (een soort AI die heel goed is in het "ontdekken" van beelden uit ruis, net als het zien van een vorm in een wolk).

In plaats van één computer die naar één foto kijkt, hebben ze twee speciale AI-schilders ingezet die samenwerken:

1. Schilder A kijkt naar de foto's van voren.
2. Schilder B kijkt naar de foto's van opzij (loodrecht op de eerste).

De creatieve analogie:
Stel je voor dat je een 3D-blok van Lego wilt reconstrueren, maar er ontbreken stukjes.

• De oude methode: Je kijkt alleen naar de voorkant en probeert de ontbrekende stukjes te raden. Je ziet niet wat er achterin zit, dus je plaatst de stukjes misschien verkeerd.
• De nieuwe methode (TPDM): Je hebt twee mensen. De ene kijkt van voren, de andere van opzij. Ze praten voortdurend met elkaar.
  • "Hey," zegt de ene, "ik denk dat hier een tand moet zitten."
  • "Nee," zegt de andere, "van mijn kant zie ik dat dat niet kan, want dan zou de kaak er anders uitzien."
  • Samen werken ze het beeld bij tot het perfect klopt, zowel van voren als van opzij.

Dit noemen ze Perpendicular Score-Based Diffusion Models. Klinkt ingewikkeld, maar het betekent simpelweg: "Twee AI's die loodrecht op elkaar kijken en samen een 3D-puzzel oplossen."

Waarom is dit zo goed?

• Geen wazige randjes: Omdat de twee AI's samenwerken, klopt het beeld in alle richtingen. De "glitch" rondom het implantaat verdwijnt en het bot eromheen wordt weer scherp zichtbaar.
• Sneller en slimmer: Het is alsof je een hele berg Lego-blokken niet één voor één moet bouwen, maar twee slimme bouwers hebt die tegelijkertijd werken. De resultaten in het onderzoek tonen aan dat deze methode veel nauwkeuriger is dan de oude methoden (zoals gewoon "inpainten" of lineaire interpolatie).
• Werkt in alle situaties: Of het nu om een grote scan gaat of een kleine, of het implantaat zit binnen of buiten het zichtveld, deze methode werkt.

Conclusie

Kortom: De onderzoekers hebben een manier gevonden om de "glitches" van metalen tandimplantaten in 3D-scans weg te werken, door twee slimme AI's te laten samenwerken in plaats van één. Het resultaat is een kristalheldere scan waar de tandarts weer perfect kan zien wat er aan de hand is, zonder dat de metalen tanden de boel verstoren.

Het is alsof je een wazige foto van een schilderij hebt, en door twee verschillende hoeken te bekijken en slim te redeneren, kun je het originele, scherpe schilderij weer volledig reconstrueren.

Technische samenvatting

Probleemstelling

Cone-beam computed tomography (CBCT) is een veelgebruikte 3D-afbeeldingstechniek in de tandheelkunde vanwege de hoge resolutie en lage stralingsdosis. Een groot nadeel is echter dat hoogdichte objecten, zoals tandimplantaten en vullingen, ernstige artefacten veroorzaken in de gereconstrueerde beelden. Deze artefacten (zoals vervormingen en strepen) kunnen de beeldkwaliteit en de diagnostische nauwkeurigheid aanzienlijk verminderen.

Bestaande methoden voor het verminderen van metaalartefacten werken vaak in het gereconstrueerde beelddomein of in het projectiedomein (inpainting van projecties). Hoewel diffusion models recentelijk uitstekende resultaten hebben geboekt bij beeldinpainting, werken de bestaande implantaten-inpainting-methoden op basis van diffusion modellen doorgaans onafhankelijk op 2D-projecties. Dit negeert de correlaties tussen individuele projecties, wat leidt tot inconsistenties in de uiteindelijke 3D-reconstructie. Daarnaast zijn volledige 3D-diffusiemodellen vaak computationeel te duur en vereisen ze enorme datasets.

Methodologie: TPDM (Perpendicular Score-Based Diffusion Models)

De auteurs stellen een nieuwe aanpak voor genaamd TPDM (Perpendicular Score-Based Diffusion Models) om 3D-consistentie te bereiken zonder de kosten van een volledig 3D-model.

1. Dual-Model Architectuur:

   • In plaats van één groot 3D-model, worden twee onafhankelijke 2D score-based diffusion models getraind.
   • Primair model: Getraind op projecties langs de oorspronkelijke projectierichting (de standaard projectie-as).
   • Secundair model: Getraind op projecties loodrecht op de primaire as (een ander vlak).
   • Door deze twee modellen te combineren, wordt de 3D-distributie van de projectieserie gemodelleerd als een product van twee 2D-distributies.

2. Sampling Schema (Inference):

   • Tijdens het generatieproces (sampling) wisselt het algoritme iteratief tussen het primaire en het secundaire model.
   • Het proces volgt een Diffusion Posterior Sampling (DPS) strategie om de inverse problemen op te lossen (het invullen van de ontbrekende implantaten).
   • Conditionering: Alleen het primaire model wordt geconditioneerd op de gemeten projectiegegevens (waar de implantaten zijn gemaskeerd). Het secundaire model helpt bij het handhaven van de 3D-consistentie door informatie uit het loodrechte vlak te gebruiken.
   • Dit zorgt ervoor dat de gegenereerde beelden coherent zijn over de hele volumetrische stapel, in plaats van per 2D-slice.

3. Data en Training:

   • Dataset: Een preklinische dataset van 10 verse varkensmandibels (zonder implantaten) opgenomen met vier verschillende CBCT-scanners.
   • Synthese: Omdat echte projectiegegevens met bekende geometrie schaars zijn, werden projecties gesynthetiseerd met de TIGRE Toolbox. Implantaten werden kunstmatig toegevoegd aan de projectieserie om "vervuilde" data te creëren.
   • Oefening: De modellen werden getraind als onvoorwaardelijke beeldgeneratiemodellen (unconditional image generation) op de schone projecties. Dit maakt de methode onafhankelijk van de specifieke vorm of grootte van de implantatenmaskers.

Kernbijdragen

• 3D-Consistentie in Projectiedomein: Dit is de eerste methode die diffusion-based implantatinpainting uitbreidt naar 3D-projectiestacks, waardoor inter-slice correlaties worden benut.
• Efficiëntie: Door te werken met twee 2D-modellen in plaats van één zwaar 3D-model, wordt de trainingslast en het dataverbruik aanzienlijk verlaagd, terwijl 3D-kwaliteit behouden blijft.
• Robuustheid: De methode is getraind en getest op zowel kleine als grote velden van zicht (FOV) en op data van vier verschillende scanners, inclusief situaties waar implantaten zich in de "exomass" bevinden (buiten het FOV, maar wel zichtbaar voor de detector).

Resultaten

De methode (TPDM) werd vergeleken met:

1. DPS: Een 2D diffusion posterior sampling methode (zonder secundair model).
2. LI: Lineaire interpolatie (Linear Interpolation).

Kwaliteitsmetrieken (SSIM, PSNR, RMSE):

• In de projecties (inpainting gebied): TPDM presteerde significant beter dan DPS en LI op alle metrieken (bijv. SSIM van 0.9290 voor TPDM vs 0.9110 voor DPS).
• In de reconstructie: TPDM behaalde de beste resultaten, hoewel de verschillen met DPS kleiner waren. Dit komt doordat de FDK-reconstructiealgoritme fouten in de projectieserie vaak "uitmiddelt". Toch leverde TPDM een hogere structuurgelijkheid (SSIM 0.9850) en piek-signaal-ruisverhouding (PSNR 50.39) op dan de andere methoden.
• Snelheid: TPDM was aanzienlijk sneller dan de 2D DPS-methode (ongeveer 8,5 uur vs. 14 uur voor het bemonsteren van een projectieserie), ondanks het gebruik van twee modellen, waarschijnlijk door een efficiëntere sampling-strategie.

Visuele resultaten:
De verschilkaarten (difference maps) tonen aan dat TPDM de kleinste afwijkingen heeft ten opzichte van de referentie (de scan zonder implantaten), wat bevestigt dat de artefacten effectief zijn verwijderd zonder nieuwe artefacten te introduceren.

Betekenis en Conclusie

De studie demonstreert dat het combineren van twee loodrechte 2D diffusion-modellen een krachtige en efficiënte manier is om 3D-consistentie te bereiken bij het verwijderen van metaalartefacten in CBCT-beelden.

• Klinische relevantie: De methode kan de diagnostische nauwkeurigheid verbeteren, vooral in complexe gevallen met implantaten die buiten het standaard gezichtsveld vallen (exomass).
• Toekomstperspectief: Hoewel de methode succesvol is op synthetische data, is validatie op echte klinische data nog beperkt door het gebrek aan grote openbare datasets met bekende scanner-geometrie. Toekomstig werk zal zich richten op het integreren van scatter-modellering en het optimaliseren van de sampling-snelheid voor klinische toepasbaarheid.

Kortom, TPDM biedt een veelbelovende oplossing voor een hardnekkig probleem in de tandheelkundige beeldvorming, waarbij de balans tussen beeldkwaliteit, 3D-consistentie en rekentijd optimaal wordt benut.