[論文レビュー] Diffusion Modeling with Domain-conditioned Prior Guidance for Accelerated MRI and qMRI Reconstruction

Wanyu Bian, Albert Jang+1 more|arXiv (Cornell University)|Sep 2, 2023

Advanced MRI Techniques and ApplicationsMedicine被引用数 3

ひとこと要約

本稿では、物理的制約を組み込み、勾配誘導型ノイズ除去を用いて、k-spaceドメインおよびパラメータドメインに直接拡散過程を適用することで、加速MRI用の静的DiMoおよびqMRI用の定量的DiMoというドメイン条件付き拡散モデルを提案する。この手法は、高い加速要因下でも最先端の再構成精度と耐障害性を達成し、従来の深層学習および最適化ベースの手法を上回る性能を示している。

ABSTRACT

This study introduces a novel approach for image reconstruction based on a diffusion model conditioned on the native data domain. Our method is applied to multi-coil MRI and quantitative MRI reconstruction, leveraging the domain-conditioned diffusion model within the frequency and parameter domains. The prior MRI physics are used as embeddings in the diffusion model, enforcing data consistency to guide the training and sampling process, characterizing MRI k-space encoding in MRI reconstruction, and leveraging MR signal modeling for qMRI reconstruction. Furthermore, a gradient descent optimization is incorporated into the diffusion steps, enhancing feature learning and improving denoising. The proposed method demonstrates a significant promise, particularly for reconstructing images at high acceleration factors. Notably, it maintains great reconstruction accuracy and efficiency for static and quantitative MRI reconstruction across diverse anatomical structures. Beyond its immediate applications, this method provides potential generalization capability, making it adaptable to inverse problems across various domains.

研究の動機と目的

• 従来の拡散モデルが物理的制約を無視し、画像ドメインではなく、元のデータドメイン（MRIの場合はk-space）で動作するという限界を是正すること。
• MRIの物理法則（k-space符号化および信号モデル）を拡散プロセスに直接統合することで、高 undersampling 率下でも再構成精度と効率を向上させること。
• 拡散モデルを定量的MRI（qMRI）に拡張し、T₁、I₀などのパラメータマップの再構成（従来、拡散モデルが適用されていなかった分野）を可能とすること。
• 拡散サンプリングステップ内に勾配降下法を統合することで、特徴学習およびノイズ除去の性能を向上させること。
• MRIに限らず、医療画像における多様な逆問題に適用可能な統合的かつ汎用的なフレームワークを構築すること。

提案手法

• 静的MRI（静的DiMo）では、前向きおよび逆方向の拡散プロセスをk-spaceドメインに直接定義し、MRIデータの元来の周波数ドメイン構造を保持する。
• qMRIでは、拡散プロセスをパラメータドメイン（例：T₁、I₀）に条件づけることで、不完全なデータから定量的マップの再構成を可能にする。
• MRIの物理法則（特にk-space符号化とMR信号モデル）を、物理的妥当性を保証するためのデータ整合性コンponentとして拡散プロセスに埋め込む。
• 各拡散サンプリングステップに勾配降下ステップを統合し、特徴学習の向上とノイズ除去性能の向上を図る。
• 拡散プロセスの事前分布を、MRIおよびqMRIの物理的原理から導出されるドメイン固有の埋め込みによって制御する条件付き拡散モデルを採用する。
• フレームワークは完全にスキャンされたデータを用いてエンドツーエンドで学習されるが、推論時には高 undersampling されたk-spaceデータから高品質な画像を再構成する。

Figure 1 : Diffusion model framework for Static DiMo and Quantitative DiMo (e.g., $T_{1}$ mapping).

実験結果

リサーチクエスチョン

• RQ1 元のデータドメイン（k-spaceまたはパラメータ空間）で拡散モデリングを適用することで、画像ドメインでの手法と比較して、加速MRIにおける再構成精度と耐障害性が向上するか？
• RQ2 k-space符号化および信号モデルといった物理的事前知識を拡散プロセスに組み込むことで、分布シフト下でも再構成の忠実性と一般化性能にどのような影響を与えるか？
• RQ3 拡散サンプリングステップ内に勾配降下法を統合することで、画像のシャープネスを損なわずに特徴学習とノイズ除去の性能が向上するか？
• RQ4 提案手法は、T₁やI₀などの組織パラメータを不完全なデータから回復することを目的とする定量的MRI再構成に一般化可能か？
• RQ5 特に4×〜6×の極端な加速要因下で、アーチファクト抑制およびエッジ保持性能はどのように評価されるか？

主な発見

• 定量的DiMoは、全テスト加速要因でT₁およびI₀マッピングにおいて最小の誤差を達成し、誤差マップが完全スキャン参照値から最もずれていないことが確認された。
• 4× 2Dポissonアンダーサンプリング条件下で、定量的DiMoはアーチファクトのないT₁およびI₀マップを生成し、シャープネスと忠実度においてRELAX、LLR、Model-TGVを上回った。
• 1Dカーテシアンアンダーサンプリング下の6×加速でも、高い再構成精度を維持した。誤差および分散マップから、組織境界付近での不確実性がわずかに増加していることが示された。
• アブレーションスタディの結果、サンプリングインスタンス数を10から100に増加させることで分散が低下し、平均画像品質が向上した。これにより、本手法の安定性および不確実性評価能力が裏付けられた。
• 拡散ステップ内に勾配降下法を統合することで、ぼやけを低減しエッジを明瞭に保つなど、ノイズ除去性能が顕著に向上した。
• 前頭前頭白質、パルシン、内側側索様体など多様な解剖的構造において、複数の被験者およびスケジュールで一貫した性能を示し、耐障害性が確認された。

Figure 2 : Network structure for $\epsilon_{\theta}(x_{t},t)$ .