[論文レビュー] PET image denoising based on denoising diffusion probabilistic models

Kuang Gong, Keith A. Johnson+3 more|arXiv (Cornell University)|Sep 13, 2022

Medical Imaging Techniques and Applications被引用数 10

ひとこと要約

本稿では、PETとMRの事前知識画像を統合した、低線量PET画像のノイズ除去を目的としたdenoising diffusion probabilistic model (DDPM)フレームワークを提案する。非局所平均法およびU-Netベースラインと比較して、優れた画像品質と不確実性の定量化を達成した。最も優れた性能を示した手法、DDPM-MR-PETConは、精錬過程でPETデータを一貫性制約として埋め込むことで、不確実性を低減し、ノイズレベルに依存しない性能を実現した。

ABSTRACT

Due to various physical degradation factors and limited counts received, PET image quality needs further improvements. The denoising diffusion probabilistic models (DDPM) are distribution learning-based models, which try to transform a normal distribution into a specific data distribution based on iterative refinements. In this work, we proposed and evaluated different DDPM-based methods for PET image denoising. Under the DDPM framework, one way to perform PET image denoising is to provide the PET image and/or the prior image as the network input. Another way is to supply the prior image as the input with the PET image included in the refinement steps, which can fit for scenarios of different noise levels. 120 18F-FDG datasets and 140 18F-MK-6240 datasets were utilized to evaluate the proposed DDPM-based methods. Quantification show that the DDPM-based frameworks with PET information included can generate better results than the nonlocal mean and Unet-based denoising methods. Adding additional MR prior in the model can help achieve better performance and further reduce the uncertainty during image denoising. Solely relying on MR prior while ignoring the PET information can result in large bias. Regional and surface quantification shows that employing MR prior as the network input while embedding PET image as a data-consistency constraint during inference can achieve the best performance. In summary, DDPM-based PET image denoising is a flexible framework, which can efficiently utilize prior information and achieve better performance than the nonlocal mean and Unet-based denoising methods.

研究の動機と目的

• 計数が限られ、物理的劣化要因が影響する低線量・高速PET撮影における信号対雑音比の低さという課題に対処する。
• 過剰に平滑化されたり、データ分布のずれに敏感になったりする決定論的ディープラーニングモデルの限界を克服する。
• 拡散モデルの生成能力および不確実性定量化能力を活用して、PETのノイズ除去を実現する。
• DDPMフレームワーク内でのPETとMR事前知識画像の最適統合法を調査し、ノイズ除去性能と耐性の向上を図る。
• 多様な臨床状況や縦断的研究に適した、柔軟でノイズレベルに依存しないフレームワークの開発

提案手法

• 前向きなノイズ付与プロセスを逆転するように学習するdenoising diffusion probabilistic model (DDPM)を採用し、標準正規分布からノイズ除去済みPET画像分布へと変換する。
• スコアベースの学習目的関数を用いて、各ノイズ除去段階でのノイズ予測をネットワークが行うように訓練する。ネットワークの入力は、PET画像のみ、MR事前知識、または両方を含む。
• 条件付き生成戦略を導入し、MR事前知識を入力とし、逆方向のノイズ除去プロセス中にPET画像をデータ一貫性制約として埋め込む（DDPM-MR-PETCon）。
• 複数回の逆方向プロセスを実行して、ノイズ除去済み画像のアンサンブルを生成し、各実現間の分散を計算することで不確実性マップを推定する。
• 軸方向のアーチファクトを低減するため、隣接する軸方向スライスを入力とする2D U-Netベースのアーキテクチャを採用するが、3Dへの拡張は今後の課題として認識する。
• 学習可能なβtパラメータを用いたガウスノイズスケジュールを採用し、前向きプロセスで段階的にノイズを追加し、逆方向プロセスで反復的に元に戻す。

実験結果

リサーチクエスチョン

• RQ1 DDPMベースのモデルは、非局所平均法およびU-Netベース手法と比較して、グローバルおよび局所的定量的精度の観点で、低線量PET画像のノイズ除去において優れているか？
• RQ2 MR事前知識画像の統合は、DDPMベースのPETノイズ除去の性能と不確実性にどのような影響を与えるか？
• RQ3 ノイズ除去プロセス中に、PETとMR情報を統合する最適な方法は何か？（ネットワーク入力として統合するか、データ一貫性制約として統合するか。）
• RQ4 DDPMフレームワークは、画像の信頼性を反映し、臨床意思決定を支援する意味のある不確実性マップを生成できるか？
• RQ5 特に、明示的なノイズレベルの監視なしに訓練された場合に、DDPMベースの手法は多様なノイズレベルに耐性を示すか？

主な発見

• DDPM-MR-PETConは、18F-FDGおよび18F-MK-6240データセットで最小のグローバル定量的誤差（平均誤差1.2%および1.5%）を達成し、非局所平均法およびU-Netベースラインを上回った。
• MR事前知識を入力に含めることで、PETのみのDDPMよりも性能が向上し、DDPM-PETと比較してグローバル誤差を最大15%まで低減した。
• DDPM-MR-PETConフレームワークは、20回の実現間の分散（不確実性）をDDPM-PETMRよりも効果的に低減しており、より高い耐性と信頼性を示した。
• DDPM-MR-PETConはノイズレベルに依存しない性能を示した。これは、DDPM-PETMRとは異なり、トレーニング時に特定のノイズレベルの条件付けを必要としなかったためである。
• DDPM-MR-PETConは、特に脳幹部や小脳など高取り込み領域において、DDPM-PETMRよりも優れた局所的定量的精度を達成した。
• 複数回の逆方向プロセスによる不確実性マップは、PETデータを一貫性制約として組み込むことで、単にMR事前知識やPET入力に依存する場合と比較して、分散が顕著に低減されたことを示した。