[論文レビュー] DDM$^2$: Self-Supervised Diffusion MRI Denoising with Generative Diffusion Models

Tiange Xiang, Mahmut Yurt+3 more|arXiv (Cornell University)|Feb 6, 2023

Advanced Neuroimaging Techniques and Applications被引用数 17

ひとこと要約

DDM2 はノイズを含む拡散 MRI のデノイズに向けた三段階の自己教師あり拡散ベースのフレームワークを導入し、ノイズのある入力を中間拡散状態として表現し、正解データなしで最先端のデノイズ性能を達成します。

ABSTRACT

Magnetic resonance imaging (MRI) is a common and life-saving medical imaging technique. However, acquiring high signal-to-noise ratio MRI scans requires long scan times, resulting in increased costs and patient discomfort, and decreased throughput. Thus, there is great interest in denoising MRI scans, especially for the subtype of diffusion MRI scans that are severely SNR-limited. While most prior MRI denoising methods are supervised in nature, acquiring supervised training datasets for the multitude of anatomies, MRI scanners, and scan parameters proves impractical. Here, we propose Denoising Diffusion Models for Denoising Diffusion MRI (DDM$^2$), a self-supervised denoising method for MRI denoising using diffusion denoising generative models. Our three-stage framework integrates statistic-based denoising theory into diffusion models and performs denoising through conditional generation. During inference, we represent input noisy measurements as a sample from an intermediate posterior distribution within the diffusion Markov chain. We conduct experiments on 4 real-world in-vivo diffusion MRI datasets and show that our DDM$^2$ demonstrates superior denoising performances ascertained with clinically-relevant visual qualitative and quantitative metrics.

研究の動機と目的

• ペアとなる正解データがない状態で、さまざまな解剖学的構造、スキャナー、撮像プロトコルに対応した拡散 MRI の効果的なデノイズの必要性を動機づける。
• 統計的デノイズと拡散モデルを統合した自己教師ありデノイズフレームワークを開発する。
• ノイズを含む入力を拡散マルコフ連鎖の中間状態からのサンプルとして表現することによりデノイズを実現する。
• 実世界の拡散 MRI データセット間での横断的な一般化可能性を実証する。
• 再現性と臨床的関連性のためのオープンソース実装を提供する。

提案手法

• Stage I は限られた入力ボリュームから初期ノイズ分布を推定するためのスライス単位のデノイズ関数を学習する。
• Stage II は推定残差にガウスノイズモデルを適合させ、その標準偏差を拡散スケジュールに合わせて、入力を中間拡散状態として位置づける。
• Stage III はノイズシャッフルと J-Invariance 損失という二つの主要な変更を伴う拡散ベースの逆過程を訓練し、正解監視なしでクリーンな近似を生成する。

実験結果

リサーチクエスチョン

• RQ1 ペアとなるクリーン画像なしで、ノイズを含む拡散 MRI の測定値に条件付けられた無監督拡散モデルをどのようにしてデノイズ済み出力へと導くことができるか？
• RQ2 データ駆動ノイズモデルを拡散サンプリングスケジュールに学習・整合させ、条件付き生成のための中間状態を特定する最良の方法は何か？
• RQ3 三段階の自己教師あり拡散デノイザーは、多様なデータセットにわたって既存の監視付きおよび自己教師付き MRI デノイズ法を上回るか？

主な発見

• DDM2 は 四つの実世界の拡散 MRI データセットで最先端手法に対して優れたデノイズ性能を達成する。
• 競合手法と比較して、評価データ全体で統計的に有意な SNR および CNR の改善をDDM2は得る。
• 最も強力なスコアベース法と比較して、DDM2 は平均でそれぞれ 0.95 ポイントと 0.93 ポイントの SNR および CNR を改善する。
• 中間状態サンプリングのため、DDM2 は標準 DDPM より 5–10 倍速い推論を提供しつつデノイズ品質を維持する。
• 定性的結果は解剖学的ディテールのより良い回復を示し、神経放射線科医による新たな幻覚所見は観察されなかった。