[論文レビュー] Low-Dose CT Using Denoising Diffusion Probabilistic Model for 20$ imes$ Speedup

Wenjun Xia, Qing Lyu+1 more|arXiv (Cornell University)|Sep 29, 2022

Medical Imaging Techniques and Applications被引用数 5

ひとこと要約

本稿では、低線量CT（LDCT）のノイズ除去を目的として、条件付きノイズ除去拡散確率的モデル（DDPM）を提案する。高速な常微分方程式（ODE）ソルバを活用することで、サンプリングを高速化している。本手法は、標準DDPMと比較して20倍の高速化を達成しながら、画像品質を維持または向上させ、定量的指標および臨床的画像の忠実度においてU-Netおよび標準DDPMを上回っている。

ABSTRACT

Low-dose computed tomography (LDCT) is an important topic in the field of radiology over the past decades. LDCT reduces ionizing radiation-induced patient health risks but it also results in a low signal-to-noise ratio (SNR) and a potential compromise in the diagnostic performance. In this paper, to improve the LDCT denoising performance, we introduce the conditional denoising diffusion probabilistic model (DDPM) and show encouraging results with a high computational efficiency. Specifically, given the high sampling cost of the original DDPM model, we adapt the fast ordinary differential equation (ODE) solver for a much-improved sampling efficiency. The experiments show that the accelerated DDPM can achieve 20x speedup without compromising image quality.

研究の動機と目的

• 低線量CT（LDCT）スキャンにおける低SNRという課題に対処すること。
• 標準DDPMのサンプリングにかかる高い計算コストが、優れたノイズ除去性能にもかかわらず臨床応用を制限しているという課題を克服すること。
• 解剖学的細部を保持しながらノイズを効果的に抑制する、高速で高忠実度のLDCTノイズ除去手法を開発すること。
• 事前に学習された条件付きDDPMと高速ODEソルバを統合し、画像品質を損なわせることなく効率的な推論を実現すること。

提案手法

• 条件付きDDPMを訓練し、ノイズの多いLDCT画像からクリアなNDCT画像への逆方向拡散プロセスを学習する。この際、U-Netアーキテクチャをノイズ除去器として用いる。
• ペアドLDCTおよびNDCT画像を用いて教師あり学習を実施し、予測されたNDCT画像と真値NDCT画像の間のL2損失を最小化する。
• 高速ODEソルバ（DPM-Solver）を適用し、連続時間SDEを少ないステップ数で解くことで、関数評価回数（NFE）を削減し、サンプリングを高速化する。
• 元の1,000ステップの離散時間ステップに直帰するように、連続時間ステップを離散化することで、事前に学習済みDDPMと統合する。
• サンプリングプロセスは、標準正規分布からのノイズから開始され、入力LDCTスキャンに条件付けられた画像を段階的にノイズ除去する。
• スコアベースのSDEフレームワークを用い、逆方向プロセスをノイズ除去スコアマッチングにより学習することで、高忠実度な画像生成を実現する。

実験結果

リサーチクエスチョン

• RQ1 U-Netのような従来のCNNベース手法と比較して、条件付きDDPMは優れたLDCTノイズ除去性能を達成できるか？
• RQ2 高速ODEソルバを用いることで、画像品質を損なわせずにDDPMのサンプリングを顕著に高速化できるか？
• RQ3 ODEソルバにおける関数評価回数（NFE）を変更した場合、サンプリング速度とノイズ除去品質のトレードオフはどのように変化するか？
• RQ4 20倍の高速化を達成することで、定量的指標を維持または向上させながら、臨床的実用性を有する加速DDPM手法を実現できるか？

主な発見

• DPM-Solver（50 NFE）はPSNR 46.72、SSIM 0.9880を達成し、標準DDPM（PSNR: 46.49、SSIM: 0.9873）およびU-Net（PSNR: 44.08、SSIM: 0.9823）を上回った。
• DPM-Solver（50 NFE）は、標準DDPMと比較して20倍の高速化を達成し、1枚あたりの推論時間を62.17秒から3.12秒に短縮した。
• DPM-Solver（15 NFE）は劣悪な性能（PSNR: 40.41）を示し、効果的なノイズ除去には最低限のNFEが必要であることを示した。
• 視覚的評価では、DPM-Solver 50 NFEがU-NetやDDPMと比較して、血管などの微細な解剖学的構造をよりよく保持していた。
• 絶対誤差マップから、DPM-Solver 50 NFEが最もノイズの少ない結果を生成したことが確認され、優れたノイズ抑制性能を裏付けた。
• 本手法は定量的指標および視覚的品質の両面で最先端の性能を達成し、臨床的応用の可能性を示した。