[論文レビュー] Adaptive Diffusion Priors for Accelerated MRI Reconstruction

Alper Güngör, Salman Ul Hassan Dar+5 more|arXiv (Cornell University)|Jul 12, 2022

Radiomics and Machine Learning in Medical Imaging被引用数 21

ひとこと要約

AdaDiff は MRI 再構成のための適応拡散事前分布を導入し、大きなステップでの迅速な拡散と、ドメインずれを改善する個体特異的事前適応を可能にする。

ABSTRACT

Deep MRI reconstruction is commonly performed with conditional models that de-alias undersampled acquisitions to recover images consistent with fully-sampled data. Since conditional models are trained with knowledge of the imaging operator, they can show poor generalization across variable operators. Unconditional models instead learn generative image priors decoupled from the operator to improve reliability against domain shifts related to the imaging operator. Recent diffusion models are particularly promising given their high sample fidelity. Nevertheless, inference with a static image prior can perform suboptimally. Here we propose the first adaptive diffusion prior for MRI reconstruction, AdaDiff, to improve performance and reliability against domain shifts. AdaDiff leverages an efficient diffusion prior trained via adversarial mapping over large reverse diffusion steps. A two-phase reconstruction is executed following training: a rapid-diffusion phase that produces an initial reconstruction with the trained prior, and an adaptation phase that further refines the result by updating the prior to minimize data-consistency loss. Demonstrations on multi-contrast brain MRI clearly indicate that AdaDiff outperforms competing conditional and unconditional methods under domain shifts, and achieves superior or on par within-domain performance.

研究の動機と目的

• 様々な撮像オペレータに対して一般化できる頑健な MRI 再構成を動機づける。
• オペレータから切り離された無条件拡散事前分布フレームワークを開発し、ドメインシフト耐性を改善する。
• 推論を高速化するために、敵対的写像を用いた大きな逆ステップで効率的な拡散プロセスを実装する。
• 推論時に個体特異的事前適応を有効にして再構成を洗練させる。
• 多コントラスト脳 MRI におけるドメイン内外の性能を示す。

提案手法

• AdaDiff を提案する。これは高速・大ステップ拡散のために敵対的写像で訓練された無条件拡散事前分布である。
• 二相の再構成を用いる：初期再構成のための迅速な拡散フェーズと、データ整合性損失を最小化する事前適合フェーズ。
• 正規性を仮定せずに逆拡散をモデルするため、ステップサイズの大きな k とジェネレータ G_thetaG および識別器 D_thetaD を用いて迅速な拡散を実装する。
• 合成された k-space データと取得された測定値を比較するデータ整合性損失を定義し、この損失を最小化するようジェネレータを更新する（式 45）。
• 訓練中には、敵対的マッパーを用いた拡散目的を用いて q(x_t|x_{t+k}) を暗黙的に捕捉し、閉形式に近い表現を導く（式 14-18）。
• 迅速拡散でデータ整合性投影と逆拡散ステップを交互に実行して推論を行い、その後事前適応で精査する。

実験結果

リサーチクエスチョン

• RQ1 無条件の拡散ベースの事前分布は、異なる撮像オペレータ下で信頼できる MRI 再構成を提供できるか。
• RQ2 テスト時に拡散事前分布を適応させると、 retraining せずにドメインシフトに対する再構成品質が改善されるか。
• RQ3 敵対的マッピングに導かれた大ステップの迅速拡散は、多くのステップを要する伝統的な拡散と同等以上の性能を示すか。
• RQ4 within-domain および cross-domain 条件下での multi-contrast 脳 MRI に対する AdaDiff の性能はどうか。
• RQ5 rapid diffusion ＋ prior adaptation の相対的利益は、条件付きモデルと比較してドメインシフトに対する頑健性でどの程度か。

主な発見

• AdaDiff はドメインシフト下で競合する条件付きおよび無条件法を上回る。
• AdaDiff はオペレータと分布が一致した within-domain において卓越した、または同等の性能を発揮する。
• 迅速拡散と事前適応の二相アプローチは、テストデータへ事前分布を合わせることによって再構成を向上させる。
• 敵対的拡散事前分布は、再構成品質を維持しつつ大きな逆ステップでの効率的サンプリングを可能にする。
• 事前適応は、個体データ上のデータ整合性損失を最小化することで拡散事前分布を洗練する。