[論文レビュー] Measurement-conditioned Denoising Diffusion Probabilistic Model for Under-sampled Medical Image Reconstruction

Yutong Xie, Quanzheng Li|arXiv (Cornell University)|Mar 5, 2022

Medical Imaging Techniques and Applications被引用数 10

ひとこと要約

本稿では、測定領域（例えばMRIにおけるk空間）で直接作業する新規手法である測定条件付きノイズ除去拡散確率的モデル（MC-DDPM）を提案する。この手法は、アンダーサンプリングマスクを条件として拡散プロセスを制御し、測定空間に拡散および逆方向プロセスを定義することにより、データ整合性を内蔵的に満たし、複数回の再構築から不確実性の定量化を可能にする。加速MRIデータセットにおいて、定量的・定性的な指標の両面で最先端の手法を上回る性能を発揮する。

ABSTRACT

We propose a novel and unified method, measurement-conditioned denoising diffusion probabilistic model (MC-DDPM), for under-sampled medical image reconstruction based on DDPM. Different from previous works, MC-DDPM is defined in measurement domain (e.g. k-space in MRI reconstruction) and conditioned on under-sampling mask. We apply this method to accelerate MRI reconstruction and the experimental results show excellent performance, outperforming full supervision baseline and the state-of-the-art score-based reconstruction method. Due to its generative nature, MC-DDPM can also quantify the uncertainty of reconstruction. Our code is available on github.

研究の動機と目的

• アンダーサンプリング医療画像再構築の課題、特にスキャン時間を短縮する加速的取得によって画像品質が低下するMRI分野の課題に取り組む。
• 後処理を必要とせず、データ整合性制約を自然に組み込む統一された生成モデルフレームワークを開発する。
• 同じ測定値から複数の妥当な再構築を生成することで、画像再構築における不確実性の定量化を可能にする。
• 教師ありベースラインおよびスコアベース生成モデルを上回る再構築品質を、アンダーサンプリング画像再構築の文脈で向上させる。

提案手法

• 本手法は、画像領域ではなく測定領域（例：k空間）で拡散プロセスを定義することで、アンダーサンプリング済みデータの直接モデリングを可能にする。
• 逆方向拡散プロセスをアンダーサンプリングマスクで条件づけることで、生成されたサンプルが測定値と整合的であることを設計上保証する。
• 学習されたガウス遷移を用いたノイズ除去拡散確率的フレームワークを採用し、測定空間から徐々にノイズを除去することで画像を再構築する。
• 逆方向プロセスは、非サンプリングk空間をノイズから生成することを学習し、アンダーサンプリングパターンに条件づけられるため、データ整合性がモデルアーキテクチャに埋め込まれる。
• 同じ測定値から複数の再構築をサンプリングすることで、サンプル間の分散を用いた不確実性推定が可能になる。
• 真の事後分布とモデル事後分布の逆Kullback-Leibler発散を最小化する変分推論の目的関数を用いて、エンドツーエンドで学習する。

実験結果

リサーチクエスチョン

• RQ1 測定領域におけるアンダーサンプリングマスクで条件づけられた拡散モデルは、既存手法よりも優れた再構築品質を達成できるか？
• RQ2 測定空間に直接拡散プロセスを条件づけることで、データ整合性が自然に満たられ、外部のデータ整合性レイヤーの必要性が排除できるか？
• RQ3 モデルの生成的性質により、同じアンダーサンプリングデータに対して複数回の再構築を生成することで、意味的な不確実性推定が可能になるか？
• RQ4 MC-DDPMの性能は、教師あり学習ベースラインおよびスコアベース生成モデルと比較して、加速MRI再構築においてどのように異なるか？

主な発見

• PDデータセットにおいて4倍加速条件下で、MC-DDPMはU-NetベースラインおよびChungら（2021）の最先端スコアベース手法をPSNRで3.68 dB、SSIMで0.079向上させる。
• 8倍加速条件下では、U-Netに対してPSNRで3.97 dB、SSIMで0.117の向上を達成し、Chungら（2021）の手法をも上回る。
• 不確実性マップ（20サンプルの画素単位の標準偏差）は、加速係数が高くなるに従い増加し、再構築の曖昧さが増すことを反映している。
• たとえ250ステップのサンプリングでも、1000ステップのベースラインとほぼ同等のPSNRを維持しており、推論時間の短縮に対してもロバストであることが示された。
• サンプル数を増やすことで平均再構築品質が向上し、約20サンプルで収束が観察されたことから、品質と効率の実用的トレードオフが示された。