[論文レビュー] One Sample Diffusion Model in Projection Domain for Low-Dose CT Imaging

Bin Huang, Liu Zhang+4 more|arXiv (Cornell University)|Dec 7, 2022

Radiomics and Machine Learning in Medical Imaging被引用数 5

ひとこと要約

本稿では、低線量CT再構成を目的として、1つのプロジェクションスィノグラムからのみ学習可能な完全無教師の1サンプル拡散モデル（OSDM）を、投影領域で提案する。ハンケル行列の定式化を用いて1つのスィノグラムから豊富な事前知識を抽出し、スコアベースの生成モデリングとデータ整合性、全変動正則化を統合する。この手法により、通常線量の画像に近い高品質な再構成が達成され、アーチファクトが大幅に低減される。

ABSTRACT

Low-dose computed tomography (CT) plays a significant role in reducing the radiation risk in clinical applications. However, lowering the radiation dose will significantly degrade the image quality. With the rapid development and wide application of deep learning, it has brought new directions for the development of low-dose CT imaging algorithms. Therefore, we propose a fully unsupervised one sample diffusion model (OSDM)in projection domain for low-dose CT reconstruction. To extract sufficient prior information from single sample, the Hankel matrix formulation is employed. Besides, the penalized weighted least-squares and total variation are introduced to achieve superior image quality. Specifically, we first train a score-based generative model on one sinogram by extracting a great number of tensors from the structural-Hankel matrix as the network input to capture prior distribution. Then, at the inference stage, the stochastic differential equation solver and data consistency step are performed iteratively to obtain the sinogram data. Finally, the final image is obtained through the filtered back-projection algorithm. The reconstructed results are approaching to the normal-dose counterparts. The results prove that OSDM is practical and effective model for reducing the artifacts and preserving the image quality.

研究の動機と目的

• 1つの通常線量スィノグラムしか入手できない状況において、最小限の教師付き情報で低線量CT再構成の課題に取り組むこと。
• 1つの低線量CTプロジェクションデータセットから意味のある画像事前知識を学習できる完全無教師手法を開発すること。
• アーチファクトを低減し、細かい構造を保持することで、低線量CT再構成の画像品質を向上させること。
• 臨床現場ではしばしば現実的でない大規模なペairedトレーニングデータを必要としない、効果的な再構成を可能にすること。

提案手法

• 本手法は、1つのスィノグラムから多数のテンソルを抽出できるハンケル行列の定式化を用い、限られたデータから豊富な事前知識を学習可能にする。
• これらのテンソル上でスコアベースの生成モデルを学習させ、プロジェクションデータの背後にある事前分布を学習する。
• 推論段階では、測定されたプロジェクションデータと整合性を保ちながら、反復的にノイズ除去を行う確率微分方程式ソルバを用いる。
• 再構成の忠実性を向上させ、ノイズを低減するために、全変動と重み付き最小二乗正則化を統合する。
• 精錬されたスィノグラムの後、フィルタドバックプロジェクションを用いて最終的な画像を再構成する。
• 全体のフレームワークは完全に投影領域で動作し、画像領域の最適化やペairedデータの必要性を回避する。

実験結果

リサーチクエスチョン

• RQ1 大規模なペairedトレーニングデータを必要としない1スィノグラム拡散モデルは、低線量CTにおいて画像事前知識を効果的に学習できるか？
• RQ2 1つの通常線量スィノグラムで学習したスコアベース生成モデルは、低線量プロジェクションから高品質な画像を再構成できるか？
• RQ3 データ整合性と全変動の統合は、投影領域での再構成品質をどの程度向上させるか？
• RQ4 提案された1サンプル拡散モデルは、既存の無教師または弱教師付き低線量CT再構成手法を上回る性能を示せるか？

主な発見

• 提案されたOSDMは、通常線量CT画像に非常に近い再構成品質を達成し、ストリークアーチファクトやノイズアーチファクトを顕著に低減した。
• ハンケル行列に基づくテンソル抽出の活用により、1つのスィノグラムからの有効な事前知識学習が可能となり、モデルの一般化性能が向上した。
• データ整合性と全変動正則化の統合により、再構成画像における構造の保持とノイズ抑制が向上した。
• 定性的および定量的評価の両面で優れた性能を示し、トレーニングに1つのサンプルしか使用しないにもかかわらず、最先端の手法と競合する結果が得られた。