Diffusion models in medical imaging

• diffusion model은 합성 이미지를 만들어 medical dataset의 class imbalance problem을 완화 시킬 수 있음
  
  

• synthectic medical image는 educational value가 있음
  
  

• synthectic medical image는 data security concerns을 완화 시킬 수 있음
  
  

• real image와 synthectic image를 같이 사용함으로써 performance가 향샹된다는 연구들이 있음
  (Moghadam, P.A., Van Dalen, S., Martin, K.C., Lennerz, J., Yip, S., Farahani, H.,
  Bashashati, A., 2023. A morphology focused diffusion probabilistic model for
  synthesis of histopathology images. In: Proceedings of the IEEE/CVF Winter
  Conference on Applications of Computer Vision. pp. 2000–2009.)

• 특이 diffusion model은 전통적 방법론보다 데이터 분포를 정확하게 표현할 수 있기 때문에 inverse imaging ploblem에서 효과적이다
  
  

1. Image-to-image translation

(Conversion Between CT and MRI Images Using Diffusion and Score-Matching Models Qing Lyu, Member, IEEE, and Ge Wang, Fellow, IEEE)

• 방사선 치료에서는 MRI와 CT 영상이 필요함 하지만 MRI와 CT scan은 별도로 수행되며 시간적, 비용적 소모가 있음
  
  

• 이러한 문제 해결 방안으로는 MRI와 CT를 동시에 scan 할 수 있는 장치가 있지만 여전히 연구 진행 중
  
  

• 또한 MRI와 CT 영상 간의 비강성 불일치 문제가 발생 (비강성 불일치: 두 영상 기법으로 촬영한 이미지들이 완벽하게 일치하지 않는 상황
  
  

• 위 문제들을 완화할 수 있는 방안으로 diffusion model에 T2 MRI를 conditioning하여 CT 영상을 generate하는 method가 있음
  
  

2. Reconstruction

• Medical image reconstruction은 높은 해상도의 영상을 얻고 동시에 cost와 patient risk를 최소화하는데 중요한 task이다.
  
  

• 예를 들어 CT, PET의 높은 해상도의 영상과 완전한 결과를 획득하기 위해 더 높은 방사선을 요구하기 때문에 빠른 시간 안에 영상을 획득하는 것이 중요하다.
  
  

• 또한 MRI는 환자의 움직임으로 인한 다양한 artifact가 발생한다.
  
  

(WKGM: weighted k-space generative model for parallel imaging reconstruction, Accepted: 24 June 2023 NMR IN BIOMEDICINE)

• k-space data는 실제 영상으로 변환되기 전에 MRI에서 획득된 원시 데이터로 신호의 강도와 위상 정보를 포함하는 복소수 형태로 저장
  
  
• 기존 병렬 이미징 방법들은 노이즈에 취약하고 환자의 움직임과 같은 외부 요인에 따라 이미지 품질이 저하될 수 있음
  
  
• WKGM은 이런 문제를 완화하고자 제안된 generative model
  
  

Histogram and Diffusion-based Medical Out-of-Distribution Detection

• medical domain에서 OOD detection을 위한 Medicla OUT-of-Distribution Analysis Chanllenge(2023)에 사용한 방법론을 작성한 논문
  
  

• MOOD2023 dataset은 brain MRI scans이 800장, abdominal CT scans이 550장으로 구성
  
  

  
  
  

Method

1. Histogram OOD detection

• histogram OOD detection은 homogeneous anomalies만 detection
  
  
• first. brain 및 abdomen training set 각각의 histogram 평균과 표준편차를 계산
  
  
• training set의 ±4σ범위를 초과한 peak를 OOD로 detection 이후 masking 처리하여 제외시킴
  
  

2. Diffusion OOD detection

• histogram OOD에서 통과된 이미지는 DDPM model를 통해 Reconstruction
  
  
• input image가 training set 분포에 있다면 recon 이미지는 품질이 좋을 것이며 만약 OOD인 경우 Recon되는 image의 품질은 떨어질 것으로 간주하는 concept
  
  
• 즉, SSIM(Structural Similarity Index Map)을 사용해 reconstruction error를 구함
  
  
• SSIM은 두 이미지 간의 구조적 유사성을 측정하는 지표
  -밝기: 두 이미지의 평균 밝기를 비교
  -대비: 두 이미지의 표준편차를 비교하여 대비를 측정
  -구조: 밝기와 대비를 조정한 후의 이미지의 상관관계를 평가

  

-${μ}$: 평균 밝기
-${σ}^{2}$: 이미지의 분산
-${σ}_{xy}$ : 두 이미지의 공분산

• 높은 SSIM 값은 높은 유사성을 나타내며 낮은 SSIM 값은 낮은 두 이미지의 차이를 나타냄
  
  

• 이후 SSIM을 이미지 맵으로 만든후 SimpleITK 알고리즘의 Otsu tresholding을 통해 최적의 임계값을 구하고 임계값 기준으로 binary image로 만들어 OOD를 detection