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

Resumo Técnico: Melhoria de Qualidade de Imagem CBCT usando um Modelo de Difusão Latente Condicional Treinado com Artefatos Simulados

1. Problema

A Tomografia Computadorizada de Feixe Cônico (CBCT) é amplamente utilizada em radioterapia para alinhamento de pacientes antes e durante o tratamento devido à sua capacidade de aquisição rápida e portátil. No entanto, as imagens de CBCT sofrem de baixa qualidade em comparação com a TC convencional, apresentando:

• Baixo contraste e valores de unidade Hounsfield (HU) imprecisos.
• Artefatos significativos, como streaking (riscos), endurecimento do feixe e espalhamento.
• Dificuldade de Registro: Em regiões do tronco (como a pélvis), ocorrem deformações anatômicas entre a TC de planejamento e a CBCT de tratamento (devido à respiração, postura e movimento de órgãos).
• Limitação de Métodos Atuais: Métodos de aprendizado supervisionado (como modelos de difusão condicional) exigem pares de imagens perfeitamente alinhados (TC e CBCT do mesmo paciente no mesmo instante), o que é clinicamente impossível de obter sem deformações. Métodos não supervisionados (como CycleGAN) evitam a necessidade de pares, mas frequentemente causam sobre-correção, alterando estruturas anatômicas, criando novos órgãos ou distorcendo geometrias, o que é crítico para o cálculo de dose em radioterapia.

2. Metodologia

Os autores propõem um método de melhoria de qualidade de imagem livre de sobre-correção baseado em um Modelo de Difusão Latente Condicional (CLDM) treinado com Imagens Pseudo-CBCT.

• Criação de Imagens Pseudo-CBCT (Aprendizado Auto-supervisionado):

  • Em vez de usar pares reais (que têm deformações), o método gera imagens "Pseudo-CBCT" a partir das imagens de TC originais.
  • Um processo de degradação simulada é aplicado no domínio do sinograma e da imagem para replicar os artefatos reais do CBCT:
    1. Deformação do Sinograma: Simula artefatos de movimento e espalhamento através de campos de deslocamento aleatórios.
    2. Ajuste de Contraste: Simula o endurecimento do feixe e variações de valor de pixel.
    3. Máscaras Regionais: Ajustes específicos para simular a redução de valores de HU nas bordas do campo de visão e em regiões circulares centrais.
  • Isso cria pares de dados perfeitamente espaciais consistentes (TC original vs. TC degradada/Pseudo-CBCT), permitindo o treinamento supervisionado sem risco de aprender deformações anatômicas reais.

• Modelo de Difusão Latente Condicional (CLDM):

  • O modelo estende a arquitetura Palette (um modelo de difusão condicional) para o espaço latente, utilizando um VQVAE (Vector Quantized Variational Autoencoder) pré-treinado.
  • Vantagem Computacional: Ao operar no espaço latente comprimido (em vez do espaço de imagem de alta resolução), o modelo reduz drasticamente o custo computacional e o tempo de treinamento, mantendo a eficiência em configurações de recursos limitados.
  • O modelo aprende a transformar a imagem condicional (Pseudo-CBCT ou CBCT real) na imagem alvo (TC de alta qualidade) através de um processo de remoção de ruído passo a passo.

3. Contribuições Principais

1. Tradução de Imagem Livre de Sobre-correção: Demonstração de que o aprendizado auto-supervisionado com dados espacialmente consistentes (TC vs. Pseudo-CBCT) preserva a estrutura anatômica, evitando a criação de "alucinações" ou deformações comuns em métodos não supervisionados.
2. Eficiência via Espaço Latente: Análise do impacto da compressão no desempenho e eficiência computacional, mostrando que modelos latentes podem atingir qualidade superior com tempos de treinamento e geração significativamente menores.
3. Validação em Dados Reais: Investigação da eficácia do método em imagens CBCT reais de pacientes com câncer de próstata, demonstrando que o modelo treinado com dados simulados generaliza bem para dados reais.

4. Resultados

O estudo foi validado com dados de 75 pacientes (66 para treino, 1 para validação, 8 para teste).

• Preservação Estrutural (Comparação com Métodos Convencionais):

  • O método proposto reduziu as mudanças estruturais (erros de sobre-correção) para menos de 1/1000 do número de pixels afetados pelos métodos convencionais que aprendem com pares reais de imagem.
  • Métodos baseados em GAN e modelos de difusão treinados com pares reais (CLDM Real) mostraram alterações topológicas (ex: troca de ar por tecido mole) e deformações de contorno corporal. O método proposto não apresentou essas falhas.

• Qualidade de Imagem e Valores de CT:

  • O coeficiente de correlação entre as distribuições de valores de CT da imagem gerada e a imagem de referência foi de 0,916, aproximando-se do nível dos métodos convencionais.
  • A melhoria nos valores de CT foi comparável aos métodos supervisionados tradicionais, permitindo o cálculo de dose mais preciso.

• Eficiência Computacional:

  • O modelo CLDM com fator de compressão 128 (CLDM 128) foi identificado como o melhor equilíbrio.
  • O tempo de treinamento foi menos da metade do modelo CLDM 256 e menos de 1/8 do modelo Palette (sem compressão).
  • O tempo de geração foi de 30 segundos por fatia, demonstrando viabilidade clínica.

• Estudo Ablativo:

  • A remoção de qualquer etapa do processo de criação da Pseudo-CBCT (deformação, ajuste de contraste ou máscaras) resultou em piora na qualidade da imagem final, confirmando que a simulação completa dos artefatos é necessária para o sucesso do modelo.

5. Significância

Este trabalho representa um avanço significativo na aplicação de IA para radioterapia:

• Segurança Clínica: Ao eliminar a sobre-correção e a alteração de estruturas anatômicas, o método torna-se seguro para uso em cenários onde a precisão geométrica é crítica (como o cálculo de dose em tempo real).
• Viabilidade Prática: A abordagem de usar dados simulados espacialmente consistentes contorna o "gargalo" da falta de dados pareados perfeitos em regiões deformáveis do corpo.
• Eficiência: A extensão para o espaço latente torna o uso de modelos de difusão (geralmente pesados computacionalmente) viável em ambientes com recursos limitados, acelerando o processamento sem sacrificar a qualidade.
• Potencial Futuro: O método abre caminho para o uso direto de CBCT para cálculos de dose em radioterapia, potencialmente melhorando a precisão do tratamento e reduzindo a toxicidade em órgãos adjacentes.