[論文レビュー] MR Image Denoising and Super-Resolution Using Regularized Reverse Diffusion

Hyungjin Chung, Eun Sun Lee+1 more|arXiv (Cornell University)|Mar 23, 2022

Medical Imaging Techniques and Applications被引用数 6

ひとこと要約

本論文は、スコアベースの生成モデルを活用して事後分布サンプリング、不確実性の定量化、柔軟なノイズ除去制御を可能にする正則化逆拡散モデルを提案する。コロナリズム・膝関節MRIのみで訓練された本手法は、非ガウス分布の複雑なノイズを有する生体内肝MRIにおいて、SOTA性能を達成し、SNRとCNRの両面で先行手法を上回り、低周波数正則化によって微細構造を保持する。

ABSTRACT

Patient scans from MRI often suffer from noise, which hampers the diagnostic capability of such images. As a method to mitigate such artifact, denoising is largely studied both within the medical imaging community and beyond the community as a general subject. However, recent deep neural network-based approaches mostly rely on the minimum mean squared error (MMSE) estimates, which tend to produce a blurred output. Moreover, such models suffer when deployed in real-world sitautions: out-of-distribution data, and complex noise distributions that deviate from the usual parametric noise models. In this work, we propose a new denoising method based on score-based reverse diffusion sampling, which overcomes all the aforementioned drawbacks. Our network, trained only with coronal knee scans, excels even on out-of-distribution in vivo liver MRI data, contaminated with complex mixture of noise. Even more, we propose a method to enhance the resolution of the denoised image with the same network. With extensive experiments, we show that our method establishes state-of-the-art performance, while having desirable properties which prior MMSE denoisers did not have: flexibly choosing the extent of denoising, and quantifying uncertainty.

研究の動機と目的

• MMSEに基づく深層学習によるノイズ除去手法に内在する限界、特に出力のぼやけや分布シフト、複雑なノイズ下での失敗を是正すること。
• 非ガウス分布のノイズを有する生体内肝MRIなど、分布外データに対しても頑健に一般化するノイズ除去手法の開発。
• 正則化を用いてノイズ除去強度の柔軟な制御と微細な解剖学的構造の保持を実現すること。
• 再訓練を必要とせず、同じノイズ除去モデルを後処理によるスーパーサンプルリングに応用できること。
• 標準的なMMSEベース手法に欠落している、事後分布サンプリングによる不確実性の定量化を実現すること。

提案手法

• オープンソースの coronal 膝関節MRIデータを用いてスコアベースの拡散モデルを訓練し、ノイズありからクリアな画像への逆拡散プロセスを学習する。
• 純粋なノイズからではなく、ノイズあり画像を初期化することで逆拡散プロセスをねじ曲げ、反復的ノイズ除去ステップによるノイズ除去を実現する。
• 確率的収縮理論に基づく新規な低周波数正則化を適用し、構造の忠実性を保持するとともにアーチファクトを抑制する。
• 同じスコア関数を用いて、ノイズ除去済み画像の解像度を向上させる後処理によるスーパーサンプルリングステップを実装する。
• 事後分布サンプリングを用いて複数の再構成を生成し、不確実性の定量化と事後平均推定を可能にする。
• NCSNv2ベースの高度なスコアマッチングおよびサンプリング技術を採用し、先行する拡散ベース手法よりも性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 拡散ベースのノイズ除去手法は、微調整なしに分布外のMRIデータ（例：生体内肝スキャン）に一般化可能か？
• RQ2 同じ学習済みスコア関数を用いて、1つのモデルがノイズ除去とスーパーサンプルリングの両方を実行可能か？
• RQ3 低周波数正則化は、正則化なしの逆拡散と比較して、ノイズ除去MRIにおける構造の保持を改善するか？
• RQ4 拡散モデルからの事後分布サンプリングは、MRIノイズ除去において意味的な不確実性推定を提供可能か？
• RQ5 本手法は、複雑なノイズ分布において、SOTAのMMSEベースおよび自己教師付きノイズ除去手法と比較してSNRおよびCNRの点で優れているか？

主な発見

• 本手法は、スーパーサンプルリングを組み合わせた場合、SNR 21.28 ± 8.35 および CNR 16.08 ± 10.00 を達成し、SRなしのベースライン（SNR: 22.53 ± 9.06、CNR: 11.24 ± 7.32）を顕著に上回っている。
• 図5に示すように、細かな構造（例：血管境界）が保持されており、正則化により構造の歪みやアーチファクトの発生が防止されている。
• 非ガウス分布の複雑なノイズを有する生体内肝MRIにおいて、膝関節スキャンでのみ学習されたモデルが、分布シフトに対して強く頑健であることが示された。
• スーパーサンプルリングの追加により、CNRが4.84ポイント上昇（11.24 → 16.08）し、SNRはわずかに低下するが、全体として画像品質へのプラスの影響が明確である。
• RM-ANOVAによる検定で、比較対象の中では唯一、SNRおよびCNRの両方で統計的に有意な改善を達成している。
• 事後分布サンプリングにより不確実性の定量化が可能であり、複数のサンプルはMMSEベース手法とは異なり一貫性があり現実的な再構成を示している。