教師なし医療画像変換における adversarial diffusion モデル

欠損画像の補完は、ソースモダリティからターゲットモダリティへの変換によって、医療画像プロトコルにおける多様性を向上させることができる。ターゲット画像を合成する代表的なアプローチとして、生成的敵対ネットワーク（GAN）を用いたワンショットマッピングが広く用いられている。しかし、画像分布を暗黙的に特徴づけるGANモデルは、生成サンプルの忠実度に限界があることがある。本研究では、医療画像翻訳における性能向上を図るため、敵対的拡散モデルに基づく新規手法SynDiffを提案する。画像分布の直接的な対応を捉えるために、SynDiffは、ノイズとソース画像をターゲット画像へと段階的にマッピングする条件付き拡散プロセスを活用する。推論時の高速かつ高精度な画像サンプリングを実現するため、逆拡散方向において敵対的射影を用いて大きな拡散ステップを採用している。ペア化されていないデータセット上での学習を可能にするために、双方向にモダリティ間を変換できるように、拡散型モジュールと非拡散型モジュールを連携させたサイクル整合型アーキテクチャを設計した。本手法の有効性は、多コントラストMRIおよびMRI-CT翻訳の文脈において、競合するGANモデルおよび拡散モデルと比較して広範な評価を通じて示されている。実証結果から、SynDiffは定量的および定性的な観点において、既存のベースライン手法を上回る優れた性能を発揮することが明らかになった。