[論文レビュー] Patch2Self: Denoising Diffusion MRI with Self-Supervised Learning

Shreyas Fadnavis, Joshua Batson+1 more|arXiv (Cornell University)|Nov 2, 2020

Advanced Neuroimaging Techniques and Applications参考文献 46被引用数 40

ひとこと要約

Patch2Selfは自己教師ありのパッチベース回帰をボリューム間で適用することで拡散 MRI データのノイズ除去を行い、ノイズモデルなしで微視構造モデリングとトラクトグラフィを改善し、実データおよびシミュレーションデータにおいて Marchenko-Pastur PCA を上回る。

ABSTRACT

Diffusion-weighted magnetic resonance imaging (DWI) is the only noninvasive method for quantifying microstructure and reconstructing white-matter pathways in the living human brain. Fluctuations from multiple sources create significant additive noise in DWI data which must be suppressed before subsequent microstructure analysis. We introduce a self-supervised learning method for denoising DWI data, Patch2Self, which uses the entire volume to learn a full-rank locally linear denoiser for that volume. By taking advantage of the oversampled q-space of DWI data, Patch2Self can separate structure from noise without requiring an explicit model for either. We demonstrate the effectiveness of Patch2Self via quantitative and qualitative improvements in microstructure modeling, tracking (via fiber bundle coherency) and model estimation relative to other unsupervised methods on real and simulated data.

研究の動機と目的

• 拡散強調 MRI（DWI）データのノイズ除去を動機づけ、下流の微視構造解析とトラクトグラフィを改善する。
• 明示的なノイズモデルを必要としない自己教師ありノイズ除去フレームワークを開発する。
• 4D DWI 構造（複数ボリューム）を利用して局所パッチベース回帰により信号とノイズを分離する。
• Patch2Self内の単純な線形回帰器が最先端の非監視ノイズ除去方法を上回ることを示す。

提案手法

• 4D DWI データの各3D ボリュームごとに各ボクセルの周囲に p-近傍パッチを構築する。
• m×(p^3×n) の展開特徴行列を作成し、m ボクセル、n ボリュームに対して表現する。
• ターゲットボリューム j を保持し、Y_{*,*,-j} に対して J-不変 regressor Φ_J を線形回帰で学習して Y_{*,0,j} を予測する。
• 学習した Φ_J を保持した p-近傍に適用して、全ボリュームにわたる denoised volume X̂_{*,*,*,j} を得る。
• ノイズがボリューム間で独立であることを正当化するために J-不変性を示し、デノイズが真の信号を保つことを保証する。
• レグレッサーは線形または非線形になり得るが、線形回帰は同等の性能を示し、学習が速い。

実験結果

リサーチクエスチョン

• RQ1 自己教師ありのパッチベース回帰はノイズモデルを必要とせずに DWI をデノイズできるか？
• RQ2 Patch2Self は従来の非監視法と比較して下流の微視構造モデリング（DTI, CSD）とトラクトグラフィを改善するか？
• RQ3 パッチサイズと回帰器の選択が、様々な取得方式におけるデノイズ性能に与える影響はどれくらいか？
• RQ4 Patch2Self において単純な線形回帰器は効果的なデノイズに十分か？

主な発見

• Patch2Self は解剖学的アーティファクトを導入せず、視覚的に一貫したデノイズ出力を得る。
• トラクトグラフィでは Patch2Self は incoherent なストリームラインを減少させ、Marchenko-Pastur ノイズ除去と比較してファイバ束の整合性を改善する。
• Patch2Self は DTI および CSD モデルの適合度の良さ（R^2）をノイズありおよび MP-PCA デノイズと比較して向上させ、大幅な改善を示す（例: ボクセル位置 CC および CSO に跨る）。
• DKI において Patch2Self はノイズありおよび MP-PCA ノイズ除去と比較してパラメータ推定の退化を低減する。
• シミュレーションデータでは、低〜中程度の SNR 範囲（5–20）で MP-PCA より高い R^2、低い RMSE の substantial な性能向上が見られ、SNR が高まるにつれて Patch2Self の改善が顕著になる。