[論文レビュー] High-Frequency Space Diffusion Models for Accelerated MRI

Chentao Cao, Zhuo‐Xu Cui+6 more|arXiv (Cornell University)|Aug 10, 2022

Advanced Neuroimaging Techniques and Applications被引用数 7

ひとこと要約

本稿では、加速MRI再構成を目的とした新しいスコアベースSDE、High-Frequency Space Diffusion Models (HFS-SDE) を提案する。HFS-SDEは、高周波数k空間成分にのみ拡散を適用する。低周波数（完全にサンプリング済み）と高周波数（アンダーサンプリング済み）の領域を分離することで、低周波数領域では決定論的な再構成を保証し、簡略化された逆過程により収束を加速する。fastMRIデータセットにおいて、最先端の画像品質と高速性を達成した。

ABSTRACT

Diffusion models with continuous stochastic differential equations (SDEs) have shown superior performances in image generation. It can serve as a deep generative prior to solving the inverse problem in magnetic resonance (MR) reconstruction. However, low-frequency regions of $k$-space data are typically fully sampled in fast MR imaging, while existing diffusion models are performed throughout the entire image or $k$-space, inevitably introducing uncertainty in the reconstruction of low-frequency regions. Additionally, existing diffusion models often demand substantial iterations to converge, resulting in time-consuming reconstructions. To address these challenges, we propose a novel SDE tailored specifically for MR reconstruction with the diffusion process in high-frequency space (referred to as HFS-SDE). This approach ensures determinism in the fully sampled low-frequency regions and accelerates the sampling procedure of reverse diffusion. Experiments conducted on the publicly available fastMRI dataset demonstrate that the proposed HFS-SDE method outperforms traditional parallel imaging methods, supervised deep learning, and existing diffusion models in terms of reconstruction accuracy and stability. The fast convergence properties are also confirmed through theoretical and experimental validation. Our code and weights are available at https://github.com/Aboriginer/HFS-SDE.

研究の動機と目的

• 従来の拡散モデルが、特に完全にサンプリングされた低周波数k空間領域で不安定で収束が遅い問題に対処すること。
• 高速MRIで通常完全に取得される低周波数成分における決定論的再構成により、再構成の不確実性を低減すること。
• 逆拡散プロセスの加速を図るために、拡散ダイナミクスを高周波数k空間成分に限定すること。
• 高品質な画像生成に必要な逆サンプリングステップ数を顕著に削減することで、臨床的実用性を向上させること。

提案手法

• 本手法は、k空間の高周波数成分にのみ拡散プロセスを適用する新しい確率的微分方程式（SDE）、HFS-SDEを導入する。低周波数成分は固定されたままとなる。
• 前向きSDEは、時間に依存するノイズスケジュールを用い、投影演算子 $\boldsymbol{\mathcal{F}}_h$ を介して高周波数成分にのみ作用する。低周波数成分は変化しない。
• 逆SDEは前向きプロセスから導出され、学習されたスコア関数 $\mathbf{s}_{\boldsymbol{\theta}}(\mathbf{x}(t), t)$ を用いてノイズ除去をガイドする。学習は重み付き損失関数を用いたスコアマッチングに基づく。
• スコアネットワークは、条件付き分布 $p_{0t}(\mathbf{x}(t) \mid \mathbf{x}(0))$ のスコアを推定するように訓練され、高周波数成分に限定された拡散ダイナミクスを反映した損失関数を用いる。
• 時間ステップ全体にわたる損失のバランスをとるために重み関数 $\lambda(t)$ を用い、訓練目的は高周波数領域における期待される再構成誤差を最小化することに定式化される。
• 理論的分析により、HFS-SDEの弱収束誤差が、全空間SDEよりも小さい上界で抑えられることを示し、安定性および収束特性の向上を証明した。

実験結果

リサーチクエスチョン

• RQ1 高周波数k空間成分にのみ拡散を制限することで、完全にサンプリングされた低周波数領域における再構成の安定性を向上させ、不確実性を低減できるか？
• RQ2 高周波数成分に限定した拡散プロセスは、全空間拡散モデルと比較して、逆サンプリングにおける収束を速くできるか？
• RQ3 高周波数成分に限定した拡散を施すスコアベースSDEモデルは、従来の拡散モデルと比較して、MRI再構成において優れた画像品質と高速な推論を達成できるか？
• RQ4 MRI再構成の文脈において、提案されたHFS-SDEの理論的弱収束上限は、全空間SDEと比較してどのように異なるか？
• RQ5 提案手法は、高品質な再構成忠実度を維持しつつ、逆サンプリングステップ数をどの程度削減できるか？

主な発見

• HFS-SDEはfastMRIデータセットにおいて最先端の再構成性能を達成し、画像品質と安定性の面で、従来の並列イメージング法および教師あり深層学習手法を上回った。
• 高品質な再構成に必要な逆サンプリングステップ数が削減された。実験的検証により、高速な収束が確認された。
• 理論的分析により、HFS-SDEの弱収束上界が全空間SDEよりも小さいことが示され、安定性および収束特性の向上が裏付けられた。
• 低周波数k空間領域では決定論的な再構成が保証され、これらの領域における拡散プロセス由来の不確実性が排除された。
• 定量的評価では、HFS-SDEがベースラインの拡散モデルおよび教師あり学習手法よりも高いPSNRおよびSSIMスコアを達成した。
• 本手法は、さまざまな加速係数に対してロバストであり、特定の解剖的領域やスキャンプロトコルに合わせたファインチューニングなしに、優れた汎化能力を示した。