[論文レビュー] DOLCE: A Model-Based Probabilistic Diffusion Framework for Limited-Angle CT Reconstruction

Jiaming Liu, Rushil Anirudh+5 more|arXiv (Cornell University)|Nov 22, 2022

Medical Imaging Techniques and Applications被引用数 7

ひとこと要約

DOLCEは、限角CT再構成のためのモデルベース確率的拡散フレームワークであり、画像事前分布として条件付き拡散モデルを用い、データ整合性更新を統合することで、重度にアンダーサンプルされたデータから高品質でエッジを保全する再構成を実現する。DOLCEは多様な実世界データセットで最先端の性能を達成し、多様でキャリブレーションされたサンプル生成を通じて体系的な不確実性の定量化を可能にする。

ABSTRACT

Limited-Angle Computed Tomography (LACT) is a non-destructive evaluation technique used in a variety of applications ranging from security to medicine. The limited angle coverage in LACT is often a dominant source of severe artifacts in the reconstructed images, making it a challenging inverse problem. We present DOLCE, a new deep model-based framework for LACT that uses a conditional diffusion model as an image prior. Diffusion models are a recent class of deep generative models that are relatively easy to train due to their implementation as image denoisers. DOLCE can form high-quality images from severely under-sampled data by integrating data-consistency updates with the sampling updates of a diffusion model, which is conditioned on the transformed limited-angle data. We show through extensive experimentation on several challenging real LACT datasets that, the same pre-trained DOLCE model achieves the SOTA performance on drastically different types of images. Additionally, we show that, unlike standard LACT reconstruction methods, DOLCE naturally enables the quantification of the reconstruction uncertainty by generating multiple samples consistent with the measured data.

研究の動機と目的

• 不完全な角度サンプリングによって引き起こされる限角CT（LACT）における深刻なアーチファクトを軽減すること。
• 医療画像や手荷物など多様な画像分布に一般化可能な、高性能な再構成フレームワークを構築すること。
• 従来の深層学習手法ではほとんど取り扱われていないLACT再構成における不確実性の定量化を可能にすること。
• 確率的で反復的リファインメントフレームワークを用いて、物理的前方モデルと深層生成事前分布を統合すること。

提案手法

• DOLCEは、変換された限角サイノグラムを条件として画像をノイズ除去するように訓練された条件付き拡散モデルを採用する。
• 反復的ノイズ除去ステップを通じて、ノイズの多い初期再構成を段階的に改善する確率的サンプリングプロセスを用いる。
• 各サンプリングステップ後に、測定されたプロジェクションに一致するよう、近接写像を用いてデータ整合性更新を適用する。
• フレームワークは、物理モデリングと学習された事前分布を統合することで、限角データを前提とした画像の事後分布をモデル化するようにエンドツーエンドで訓練される。
• FBPおよびRLSを条件入力としてサポートしており、初期化の柔軟性を提供する。
• 1つのサイノグラムから複数の多様な再構成を生成できるため、分散計算による不確実性推定が可能になる。

実験結果

リサーチクエスチョン

• RQ1 1つの事前学習済み拡散モデルが、人体とチェックイン手荷物など著しく異なるLACTデータ分布に一般化可能か？
• RQ2 モデルベースの拡散フレームワークが、重度にアンダーサンプルされたLACTデータにおいて最先端の再構成品質を達成できるか？
• RQ3 条件付き拡散モデルは自然にLACTにおける不確実性の定量化を可能にできるか？ また、推定された不確実性は実際の再構成誤差と適切にキャリブレーションされているか？
• RQ4 データ整合性更新を統合することで、拡散ベースフレームワークにおける再構成忠実度と収束性がどのように向上するか？

主な発見

• DOLCEは、医療およびセキュリティ関連のLACTデータセットの両方で最先端の性能を達成し、θ_max ∈ {60°, 90°, 120°} の範囲で高解像度512×512画像を再構成する。
• 同じ事前学習済みDOLCEモデルが、人体と手荷物スキャンという明確に異なるデータ分布に効果的に一般化され、画期的なモデルの移植性を示している。
• DOLCEは意味のある不確実性の定量化を可能にした：推定された分散と絶対再構成誤差の間には高い相関が見られ、不確実性推定が適切にキャリブレーションされていることを示している。
• 近接写像によるデータ整合性統合により再構成品質が向上し、推論中の尤度が安定化され、K=50回の反復でPSNRがピークに達する。
• 3Dセグメンテーションの結果、DOLCEはRLSやDPSよりも鋭い物体境界を保全しており、再構成された2Dスライスからの正確なリージョングローミングセグメンテーションを可能にしている。
• θ_max = 60°の極度のデータ不足下でも、DOLCEは高い画像忠実度を維持しており、従来手法が失敗する状況でも強靭であることを示している。