구조 제약 기반 언어 정보를 활용한 확산 모델을 이용한 비정렬 저선량 CT 혈관 조영술 재구성

Structure-constrained Language-informed Diffusion Model for Unpaired Low-dose Computed Tomography Angiography Reconstruction

요오드 기반 조영제는 다양한 임상적 지표에서 CT의 민감도와 특이성을 향상시키는 데 기여합니다. 그러나 조영제의 과다 투여는 신 손상 및 생명을 위협하는 알레르기 반응과 같은 문제를 야기할 수 있습니다. 딥러닝 방법은 저선량 조영제를 사용하여 정상 선량 조영제 CT 이미지를 생성함으로써 필요한 선량을 줄이면서 진단 능력을 유지할 수 있습니다. 그러나 기존 방법은 불완전하게 정렬된 이미지로 인해 정확한 영상 품질을 얻는 데 어려움이 있으며, 이는 주로 모델이 특정 구조를 인식하는 능력의 한계 때문입니다. 이러한 한계를 극복하기 위해, 우리는 구조 제약 기반 언어 정보를 활용한 확산 모델 (SLDM)을 제안합니다. SLDM은 구조적 상호 작용과 공간 지능을 통합하는 통합 의료 영상 생성 모델입니다. 먼저, 이미지의 구조적 사전 정보를 효과적으로 추출하여 모델 추론 과정을 제약함으로써, 향상 과정에서 구조적 일관성을 보장합니다. 그 후, 시각적 인식 및 공간 추론 기능을 통합하는 공간 지능 기반 의미적 지도 전략을 도입하여 모델이 정확한 영상을 생성하도록 유도합니다. 마지막으로, Subtraction angiography enhancement 모듈을 적용하여 조영제 영역의 대비를 관찰에 적합한 수준으로 개선합니다. 시각적 비교 분석 및 다양한 지표의 정량적 결과를 통해, 제안하는 방법이 저선량 조영제 CT 혈관 조영술 재구성에 효과적임을 입증합니다.

The application of iodinated contrast media (ICM) improves the sensitivity and specificity of computed tomography (CT) for a wide range of clinical indications. However, overdose of ICM can cause problems such as kidney damage and life-threatening allergic reactions. Deep learning methods can generate CT images of normal-dose ICM from low-dose ICM, reducing the required dose while maintaining diagnostic power. However, existing methods are difficult to realize accurate enhancement with incompletely paired images, mainly because of the limited ability of the model to recognize specific structures. To overcome this limitation, we propose a Structure-constrained Language-informed Diffusion Model (SLDM), a unified medical generation model that integrates structural synergy and spatial intelligence. First, the structural prior information of the image is effectively extracted to constrain the model inference process, thus ensuring structural consistency in the enhancement process. Subsequently, semantic supervision strategy with spatial intelligence is introduced, which integrates the functions of visual perception and spatial reasoning, thus prompting the model to achieve accurate enhancement. Finally, the subtraction angiography enhancement module is applied, which serves to improve the contrast of the ICM agent region to suitable interval for observation. Qualitative analysis of visual comparison and quantitative results of several metrics demonstrate the effectiveness of our method in angiographic reconstruction for low-dose contrast medium CT angiography.