[論文レビュー] Diffusion Probabilistic Priors for Zero-Shot Low-Dose CT Image Denoising

Xuan Liu, Yaoqin Xie+4 more|arXiv (Cornell University)|May 25, 2023

Medical Imaging Techniques and Applications被引用数 5

ひとこと要約

本論文では、事前学習済みの段階的拡散確率モデルを事前分布として用いることで、ペairedデータや低線量CTの学習データを一切必要としないゼロショット非教師付き手法Dn-Dpを提案する。低線量CT画像を逆方向拡散プロセスに統合し、適応的重み付けを用いた繰り返しMAP問題を解くことで、教師あり手法を凌駕する最先端の性能を達成する。

ABSTRACT

Denoising low-dose computed tomography (CT) images is a critical task in medical image computing. Supervised deep learning-based approaches have made significant advancements in this area in recent years. However, these methods typically require pairs of low-dose and normal-dose CT images for training, which are challenging to obtain in clinical settings. Existing unsupervised deep learning-based methods often require training with a large number of low-dose CT images or rely on specially designed data acquisition processes to obtain training data. To address these limitations, we propose a novel unsupervised method that only utilizes normal-dose CT images during training, enabling zero-shot denoising of low-dose CT images. Our method leverages the diffusion model, a powerful generative model. We begin by training a cascaded unconditional diffusion model capable of generating high-quality normal-dose CT images from low-resolution to high-resolution. The cascaded architecture makes the training of high-resolution diffusion models more feasible. Subsequently, we introduce low-dose CT images into the reverse process of the diffusion model as likelihood, combined with the priors provided by the diffusion model and iteratively solve multiple maximum a posteriori (MAP) problems to achieve denoising. Additionally, we propose methods to adaptively adjust the coefficients that balance the likelihood and prior in MAP estimations, allowing for adaptation to different noise levels in low-dose CT images. We test our method on low-dose CT datasets of different regions with varying dose levels. The results demonstrate that our method outperforms the state-of-the-art unsupervised method and surpasses several supervised deep learning-based methods. Codes are available in https://github.com/DeepXuan/Dn-Dp.

研究の動機と目的

• 臨床現場におけるペアド低線量・通常線量CT画像の入手困難な課題に対処すること。
• 学習段階でいかなる低線量CT画像も必要としない非教師付きノイズ除去手法の開発。
• 拡散モデルの生成的事前分布を活用して、ゼロショットで低線量CTスキャンのノイズ除去を実現すること。
• さまざまなノイズレベルにわたる性能の安定性を確保するため、MAP推定における尤度項と事前分布項のバランスを適応的に調整すること。
• 高精細なノイズ除去を実現するとともに、結節や骨の輪郭といった重要な解剖学的構造を保持すること。

提案手法

• 通常線量CT画像に段階的非条件付き拡散モデルを訓練し、低解像度から高解像度への高解像度画像生成を実現する。
• 低線量CT画像を逆方向拡散プロセスにおける尤度制約として統合し、ノイズ除去をガイドする。
• 入力の低線量画像の尤度と拡散モデルの事前分布の両者をバランスさせながら、繰り返し最大後確信度（MAP）推定を実行する。
• ノイズレベルに応じて動的に尤度項と事前分布項のバランスを調整するためのλパラメータの適応的調整を導入する。
• 中間段階から再開可能な仕組みを提供し、 refined λ 値を用いて精度を向上させる。
• 訓練の安定化と高解像度CT画像の生成品質向上のため、段階的アーキテクチャを採用する。

実験結果

リサーチクエスチョン

• RQ1 通常線量CT画像でのみ事前学習された拡散モデルが、低線量CT画像のゼロショットノイズ除去に強力な事前分布として機能できるか？
• RQ2 低線量CT入力の尤度を逆方向拡散プロセスに効果的に統合し、ノイズ除去をガイドできるか？
• RQ3 ラベルなしデータを用いずに、適応的λ係数がさまざまな線量レベルにわたる性能の安定性を向上させられるか？
• RQ4 段階的拡散アーキテクチャが、高解像度CT画像の安定的かつ高品質な生成をノイズ除去に可能にするか？
• RQ5 従来の非教師付きまたは教師ありベースラインと比較して、結節や骨構造などの微細な解剖学的詳細をよりよく保持できるか？

主な発見

• 提案手法Dn-Dpは、複数のデータセットにおいて最先端の非教師付き手法を上回る性能を発揮する。
• 25％線量の腹部CTスキャンにおいて、Dn-Dpは複数の教師あり深層学習手法を上回るPSNRとSSIMを達成する。
• 非石灰化肺結節や骨の輪郭といった重要な解剖学的構造を、BM3D、NLM、LIR-IRと比較してよりよく保持している。これらの手法はぼやけを引き起こす。
• 適応的λ調整により、再訓練なしにさまざまなノイズレベルで一貫した性能を発揮する。
• 逆方向プロセスが29ステップ（元は2000ステップ）に加速されているが、RTX 3090を用いて512×512解像度の画像1枚あたり5.83秒の推論時間がかかっている。
• モデルサイズが大きめ（最大5.49Gパラメータ）であるが、特にエッジディテールや低コントラスト構造の保持において、優れた視覚的・定量的結果を達成している。