Generiranje računalniško tomografskih slik iz magnetno resonančnih slik področja glave in vratu na podlagi umetne inteligence z uporabo difuzijskih modelov

ŠTER, ROK MARKO (avtor), Vrtovec, Tomaž (mentor), Podobnik, Gašper (komentor)

V obsegu magistrske naloge obravnavamo uporabo difuzijskih modelov za sintezo računalniško tomografskih (angl. computed tomography, CT) slik iz magnetno resonančnih (angl. magnetic resonance, MR) slik na področju glave in vratu za namene radioterapije. Radioterapija raka na področju glave in vratu zahteva natančno lokalizacijo tumorskega tkiva in kritičnih organov (angl. organs-at-risk, OAR) v človeškem telesu. Tradicionalno se za ta namen uporabljajo CT in MR slike. Predvsem za orisovanje kostnih tkiv in nekaterih drugih struktur nudijo CT slike dober kontrast, poleg tega vsebujejo tudi informacijo o elektronski gostoti, ki je nujna za izračun načrta obsevanja. Ker je natančnost orisovanja ključnega pomena za uspešno obsevanje, se v klinični praksi pogosto zajame tudi MR slike, ki ponujajo boljši kontrast mehkih tkiv, kar pripomore k izboljšani lokalizaciji tumorjev in OAR. V sklopu magistrskega dela raziskujemo možnost uporabe MR-samostojnega načrtovanja obsevanja (angl. MR-only radiotherapy planning) kot alternativo tradicionalnemu pristopu, ki temelji na CT slikah. Prednost tega pristopa je preprečevanje izpostavljenosti ionizirajočemu sevanju, ki je neizogiben del CT slikanja, kar je še zlasti pomembno pri otrocih, zaradi povečanega tveganja za razvoj rakavih obolenj. V magistrskem delu se osredotočimo na razvoj in vrednotenje modelov umetne inteligence, natančneje difuzijskih modelov za sintezo sintetičnih CT slik na podlagi MR slik. Za vrednotenje kakovosti generiranih sintetičnih slik smo uporabili sledeče kvantitativne metrike: indeks strukturne podobnosti slike (angl. structural similarity index measure, SSIM), vršno vrednost signal-šum (angl. peak signal-to-noise ratio, PSNR), Fréchet-evo razdaljo (angl. Fréchet inception distance, FID) in povprečno absolutno napako (angl. mean absolute error, MAE). Kvalitativna analiza je pokazala, da so sintetične CT slike podobne realnim CT slikam, kar potrjujejo tudi kvantitativni rezultati, kjer smo dosegli sledeče povprečne vrednosti: 92,2 % SSIM, 33,1 dB PSNR, 3,6 FID in 35,3 HU MAE. Kvantitativne metrike smo izračunali tudi na slikah elektronske gostote in primerjali uspešnost segmentacije OAR na sintetičnih in realnih CT slikah. Glavni prispevki tega dela so: razvoj in implementacija difuzijskih modelov za sintezo CT slik iz MR slik, specifično za področje glave in vratu; podrobna analiza vpliva različnih nastavitev modelov in tehnik sestavljanja tridimenzionalnih slik na kvaliteto generiranih slik; empirično vrednotenje uporabnosti sintetičnih CT slik pri segmentaciji kritičnih anatomskih struktur. Ugotavljamo, da difuzijski modeli predstavljajo obetaven pristop za generiranje sintetičnih CT slik iz MR slik, ki imajo uporabno vrednost v sklopu samostojnega načrtovanja obsevanja na podlagi MR slik.

• Jezik: Slovenski jezik
• Ključne besede: Radioterapija, računalniška tomografija, magnetna resonanca, difuzijski modeli, difuzija, umetna inteligenca, globoko učenje, sintetične slike, računalniško podprta analiza medicinskih slik
• Vrsta gradiva: Magistrsko delo/naloga
• Organizacija: FE - Fakulteta za elektrotehniko
• Leto izida: 2025
• PID: 20.500.12556/RUL-167275
• Datum objave v RUL: 12.02.2025

ŠTER, ROK MARKO, 2025, Generiranje računalniško tomografskih slik iz magnetno resonančnih slik področja glave in vratu na podlagi umetne inteligence z uporabo difuzijskih modelov [na spletu]. Magistrsko delo. [Dostopano 14 april 2025]. Pridobljeno s: https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=slv&id=167275

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Generation of computed tomography images from magnetic resonance images of the head and neck region based on artificial intelligence by diffusion models

Izvleček

This study focuses on the implementation of diffusion models for the synthesis of computed tomography (CT) images from magnetic resonance (MR) images in the head and neck region. Radiotherapy for head and neck cancers requires precise localization of tumors and critical organs (also known as organs-at-risk, OARs) based on imaging for the planning of radiation treatment. Traditionally, CT and MR images are used for this purpose. Especially for the delineation of bone tissues and other structures, CT images offer good contrast while also containing electron density information, which is crucial for the creation of radiation dose distribution maps. While CT images allow accurate measurement of radiation attenuation, MR images offer better contrast of soft tissues, which aids in improved localization of tumors and OARs. Within the scope of this master's thesis, we explore the possibility of using MR-only radiotherapy planning as an alternative to the traditional CT-based approach. One advantage of this approach is the elimination of exposure to ionizing radiation, an inherent aspect of CT imaging. This reduction is particularly significant for children, given the increased risk of developing cancer later in life. We focus on the development and evaluation of artificial intelligence models, particularly diffusion neural networks, for the synthesis of synthetic CT images from MR images. To evaluate the quality of the generated synthetic images, we employed various metrics, including structural similarity index measure (SSIM), peak signal-to-noise ratio (PSNR), Fréchet inception distance (FID) and mean absolute error (MAE). Qualitative analysis demonstrated that the synthetic CT images resemble real CT images, a finding supported by quantitative results, where we achieved the following average values: 92.2 % SSIM, 33.1 dB PSNR, 3.6 FID, and 35.3 HU MAE. Additionally, we calculated quantitative metrics on electron density images and compared the performance of OAR segmentation between synthetic and real CT images. The main contributions of this work are: the development and implementation of diffusion models for CT image synthesis from MR images, specifically for the head and neck region; a detailed analysis of the impact of different model settings and three-dimensional image assembly techniques on the quality of generated images; an empirical evaluation of the usability of synthetic CT images in the segmentation of critical anatomical structures, confirming their potential for clinical application. We conclude that MR-only radiotherapy planning, supported by advanced generative artificial intelligence models, represents a promising alternative to the traditional CT-based approach.

• Ključne besede: Radiotherapy, computed tomography, magnetic resonance, diffusion models, diffusion, artificial intelligence, deep learning, synthetic images, computer-assisted medical image analysis