[論文レビュー] Patch-Based Denoising Diffusion Probabilistic Model for Sparse-View CT Reconstruction

Wenjun Xia, Wenxiang Cong+1 more|arXiv (Cornell University)|Nov 18, 2022

Medical Imaging Techniques and Applications被引用数 11

ひとこと要約

本稿では、完全にスキャンされた投影データからのパッチを用いてトレーニングすることで、教師なし学習を可能にするパッチベースのノイズ除去拡散確率的モデル（DDPM）を提案し、並列推論と効果的なアーティファクト抑制、細かいテクスチャの保持を実現する。この手法は、NIH-AAPM-Mayo Clinicデータセットにおいて、PSNR 38.69、SSIM 0.9132という最先端の性能を達成した。

ABSTRACT

Sparse-view computed tomography (CT) can be used to reduce radiation dose greatly but is suffers from severe image artifacts. Recently, the deep learning based method for sparse-view CT reconstruction has attracted a major attention. However, neural networks often have a limited ability to remove the artifacts when they only work in the image domain. Deep learning-based sinogram processing can achieve a better anti-artifact performance, but it inevitably requires feature maps of the whole image in a video memory, which makes handling large-scale or three-dimensional (3D) images rather challenging. In this paper, we propose a patch-based denoising diffusion probabilistic model (DDPM) for sparse-view CT reconstruction. A DDPM network based on patches extracted from fully sampled projection data is trained and then used to inpaint down-sampled projection data. The network does not require paired full-sampled and down-sampled data, enabling unsupervised learning. Since the data processing is patch-based, the deep learning workflow can be distributed in parallel, overcoming the memory problem of large-scale data. Our experiments show that the proposed method can effectively suppress few-view artifacts while faithfully preserving textural details.

研究の動機と目的

• 限られた投影データによるスパarselyビューCT再構成における深刻な画像アーティファクトの課題に対処すること。
• 低線量または少数ビューCTにおいてアーティファクト除去に苦労する画像ドメインのディーブラーニングモデルの限界を克服すること。
• 再構成に必要なペアデータ（完全スキャン済みとダウンサンプルされたデータ）を必要としない教師なしトレーニングを可能にすること。
• パッチベース処理を用いることで、大規模または3次元CT再構成に適したメモリ効率が良く、スケーラブルな手法を開発すること。
• スパarselyビューCTにおいて、ノイズとストリークアーティファクトを抑制しながら、構造的およびテクスチャ的詳細を保持すること。

提案手法

• 完全にスキャンされた投影データから抽出したパッチを用いて、ペアデータを必要としない教師なし学習が可能なノイズ除去拡散確率的モデル（DDPM）をトレーニングする。
• ダウンサンプルされた投影データに対して逆方向拡散を実行することで、ノイズ除去されたパッチを用いて高品質な投影データを再構成する。
• 重複を許容し、投影ドメイン全体で並列処理が可能なように、ストライド32で64×64のパッチを抽出する。
• 時間連続な拡散プロセスを採用し、t ∈ [0,1] でβ(t)スケジュールを10⁻⁴から0.02へと設定し、標準的なDDPM定式化に従う。
• 逆方向プロセスを所望の投影構造へと誘導するために、γ = 1.0およびη = 0.1を用いた条件付き生成を適用する。
• 最終的なCT画像は、ノイズ除去済みでパッチを組み合わせた投影データからフィルターバックプロジェクション（FBP）を用いて再構成する。

実験結果

リサーチクエスチョン

• RQ1 ペアデータを必要としないパッチベースの拡散モデルは、スパarselyビューCT再構成に有効に機能するか？
• RQ2 パッチベースのアプローチは、大規模または3次元CTデータセット処理におけるメモリ制限を克服できるか？
• RQ3 DDPMベースの手法は、従来の後処理ネットワークよりも、細かいテクスチャや構造的詳細をより良く保持できるか？
• RQ4 アーティファクト抑制および画像品質指標の観点で、提案手法はFBPや他のディーブラーニング手法と比較して優れているか？
• RQ5 教師なしDDPM学習は、偽の特徴やぼかしが最小限に抑えられ、高忠実度の再構成を達成できるか？

主な発見

• 提案手法はテストセットにおいてPSNR 38.69、SSIM 0.9132を達成し、FBP（PSNR: 26.41、SSIM: 0.5608）を顕著に上回った。
• ノイズパワースペクトル（NPS）解析により、再構成誤差が中周波数帯域に集中していることが示され、視覚的に妥当なノイズ特性であることが示された。
• 特に低コントラスト領域において顕著なストリークアーティファクトを効果的に抑制した。
• 再構成画像におけるテクスチャ的詳細は、ぼかしや偽の特徴が最小限に抑えられ、GANベースの手法よりも知覚的忠実度が優れていた。
• パッチベースの設計により並列推論が可能となり、高解像度および3次元CT応用へのスケーラビリティが実現された。
• RTX A5000 GPUを用いて、Adam最適化子と1×10⁻⁴の学習率で200,000イテレーションで安定して収束した。