Structural Guidance in Stacked Generative Diffusion Model: Synthesizing Head and Neck CT from MRI in Radiotherapy Planning
Notice bibliographique
Résumé
Head and neck radiotherapy often combines a patient's MRI, showing soft tissue contrast, with a pre-treatment CT allowing for dosimetry planning. Synthesizing missing CT data from available MR images minimizes radiation exposure, and facilitates adaptive re-planning. We propose a generative diffusion model that synthesizes CT images of tumors from available MR modalities, incorporating structural guidance within a stacked diffusion framework. The model utilizes two stacked denoising diffusion probabilistic models (DDPMs). The first is a structure image generator, producing structural representations of CT images from the corresponding MRI inputs. These representations are then utilized by a second contextual image DDPM, which leverages both the original MRI and the generated structural representations as an augmented multi-channel input to improve the synthesis of the CT images. Our training employs a variational inference approach that combines a lower variational bound loss with a mean absolute error loss, leveraging both structural and contextual features. Evaluated on the Head and Neck Organ-at-Risk Multi-Modal dataset (HaN-Seg), our model outperforms recent MR-to-CT generative diffusion models, achieving a multiscale structure similarity index (multiscale-SSIM) of 0.85 ± 0.08, a mean absolute error (MAE) of 0.09 ± 0.06, and a peak signal-to-noise ratio (PSNR) of 22.05 ± 1.83. Additionally, the model achieved the highest probability rand index (PRI) score of 0.83 ± 0.04 with a Dice score of 0.75 ± 0.07, and a global consistency error (GCE) of 0.16 ± 0.05 on segmented tumor area of synthetic sCT images.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».