Cone-Beam CT Image Quality Enhancement Using A Latent Diffusion Model Trained with Simulated CBCT Artifacts

Probleemstelling

Cone-Beam Computed Tomography (CBCT) wordt steeds vaker gebruikt in de klinische praktijk, vooral in de radiotherapie, om de anatomie van de patiënt direct voor en tijdens de behandeling te visualiseren. Echter, CBCT-beelden lijden onder significante kwaliteitsbeperkingen ten opzichte van conventionele CT-beelden:

• Lager contrast en meer artefacten: Door verstrooiing (scatter), bewegingsartefacten en bundelharding (beam-hardening) zijn de pixelwaarden minder accuraat.
• Anatomische inconsistentie: Voor het trainen van beeld-naar-beeld vertaalmodellen (zoals van CBCT naar CT) zijn gepaarde data nodig. In de kliniek is het echter onmogelijk om exact gelijktijdige CBCT- en CT-beelden van dezelfde patiënt te maken. Er zijn altijd verschillen in positie, vorm en interne organen door ademhaling, houding en organbeweging.
• Overcorrectie: Bestaande methoden (zoals GAN's of conditionele diffusion modellen) die trainen op niet-perfect gepaarde data (bijv. geregistreerde CT en CBCT), hebben de neiging om anatomische structuren te vervormen of nieuwe structuren te "hallucineren" om de beeldkwaliteit te verbeteren. Dit is gevaarlijk in de radiotherapie, waar nauwkeurige dosisberekening cruciaal is.

Methodologie

De auteurs stellen een nieuwe aanpak voor die twee kerninnovaties combineert: self-supervised learning met gesimuleerde data en een conditionele latent diffusion model (CLDM).

1. Creatie van Pseudo-CBCT Beelden

In plaats van te vertrouwen op moeilijk te verkrijgen klinische gepaarde data, genereren de auteurs "Pseudo-CBCT" beelden uit bestaande CT-beelden. Dit proces simuleert de fysieke degradatie van CBCT in twee domeinen:

• Sinogram-domein: Het sinogram van de CT wordt vervormd (warped) om bewegingsartefacten na te bootsen, en er wordt contrast aangepast om bundelharding en verstrooiing te simuleren.
• Beelddomein: Na reconstructie worden de CT-waarden (Hounsfield Units) lokaal aangepast met gamma-correctie en verschuivingen om de kenmerkende lage waarden rondom het beeldveld en in het centrum van CBCT-beelden na te bootsen.
• Resultaat: Er ontstaat een perfect ruimtelijk gepaard dataset (CT vs. Pseudo-CBCT) waarbij de anatomie identiek is, maar de beeldkwaliteit en artefacten overeenkomen met echte CBCT-beelden.

2. Conditionele Latent Diffusion Model (CLDM)

Het model is gebaseerd op de architectuur van Palette (een conditionele diffusion model), maar uitgebreid naar de latent space (latentruimte) om rekentijd te besparen.

• Encoder/Decoder: Een vooraf getraind VQVAE (Vector Quantized Variational Autoencoder) comprimeert de beelden naar een latenterepresentatie (bijv. een compressiefactor van 4 of 8).
• Diffusieproces: Het model leert het denoisen van de latenterepresentatie van het Pseudo-CBCT-beeld naar de latenterepresentatie van het doel-CT-beeld, onder de conditie van het Pseudo-CBCT-beeld.
• Efficiëntie: Door te werken in de latentruimte in plaats van de pixelruimte, wordt de rekentijd drastisch verlaagd zonder significante kwaliteitsverlies.

Belangrijkste Bijdragen

1. Overcorrectie-vrije vertaling: Door self-supervised learning op ruimtelijk consistente (gesimuleerde) data, wordt voorkomen dat het model anatomische structuren vervormt of nieuwe structuren creëert.
2. Efficiëntie via Latent Space: De uitbreiding van het diffusion framework naar de latentruimte maakt sneller trainen en genereren mogelijk, zelfs onder beperkte rekenkracht.
3. Validatie op echte data: Het model, getraind op gesimuleerde data, wordt succesvol toegepast op echte CBCT-beelden van patiënten met prostaatkanker, wat de generaliseerbaarheid bewijst.

Resultaten

De methode werd getest op data van 75 patiënten (prostaatradiotherapie) en vergeleken met conventionele methoden (GAN's en diffusion modellen getraind op echte, niet-perfect gepaarde data).

• Behoud van Anatomie: De meest opvallende bevinding is dat de structuurveranderingen bij de voorgestelde methode minder dan 1/1000e waren van die bij conventionele methoden (gemeten in aantal pixels met fouten). Conventionele methoden toonden vaak vervormingen van botstructuren, veranderingen in gasruimten en hallucinaties.
• Beeldkwaliteit en CT-waarden: Ondanks het trainen op gesimuleerde data, bereikte het model een correlatiecoëfficiënt van 0.916 tussen de CT-waarde-verdelingen van de gegenereerde beelden en de referentie-CT. Dit is vergelijkbaar met de prestaties van methoden die op echte data zijn getraind.
• Snelheid: De CLDM-varianten (met compressie) waren aanzienlijk sneller in training en generatie dan de niet-gecomprimeerde diffusion modellen (Palette), met een trainingstijd van slechts 6 minuten per epoch (vs. 52 minuten voor Palette).
• Ablatiestudie: Het bleek dat alle stappen in het simulatieproces (warpen, contrastaanpassing, maskers) noodzakelijk waren om de beste resultaten te behalen; het weglaten van stappen leidde tot resterende artefacten of onnauwkeurige CT-waarden.

Betekenis en Conclusie

De studie demonstreert dat het gebruik van gesimuleerde, ruimtelijk consistente data een krachtige oplossing biedt voor het probleem van anatomische vervorming bij beeldverbetering in de geneeskunde.

• Klinische Impact: De methode maakt het mogelijk om CBCT-beelden van hoge kwaliteit te genereren die geschikt zijn voor directe dosisberekening in radiotherapie, zonder het risico op onnauwkeurigheden door vervormde organen.
• Technische Vooruitgang: Het bewijst dat diffusion modellen, zelfs wanneer ze op gesimuleerde data worden getraind, superieure stabiliteit en kwaliteit bieden ten opzichte van GAN's, en dat het werken in de latentruimte een praktische oplossing is voor de hoge rekeneisen van diffusion modellen.

Kortom, de auteurs hebben een robuust framework ontwikkeld dat de beeldkwaliteit van CBCT verbetert terwijl de anatomische integriteit van de patiënt volledig behouden blijft, een cruciale stap voor veilige en nauwkeurige radiotherapie.