[論文レビュー] Self-Score: Self-Supervised Learning on Score-Based Models for MRI Reconstruction

Zhuo‐Xu Cui, Chentao Cao+6 more|arXiv (Cornell University)|Sep 2, 2022

Advanced Neuroimaging Techniques and Applications被引用数 16

ひとこと要約

本稿では、ベイジアンディープラーニングとスコアマッチングを用いて、完全にサンプリングされたk空間データのみから、完全にサンプリングされたMR画像の事前分布を学習する自己教師付きスコアベースの拡散モデル、Self-Scoreを提案する。完全にサンプリングされた学習データを一切必要とせず、完全に教師ありのスコアベース手法と同等の再構成性能を達成する。

ABSTRACT

Recently, score-based diffusion models have shown satisfactory performance in MRI reconstruction. Most of these methods require a large amount of fully sampled MRI data as a training set, which, sometimes, is difficult to acquire in practice. This paper proposes a fully-sampled-data-free score-based diffusion model for MRI reconstruction, which learns the fully sampled MR image prior in a self-supervised manner on undersampled data. Specifically, we first infer the fully sampled MR image distribution from the undersampled data by Bayesian deep learning, then perturb the data distribution and approximate their probability density gradient by training a score function. Leveraging the learned score function as a prior, we can reconstruct the MR image by performing conditioned Langevin Markov chain Monte Carlo (MCMC) sampling. Experiments on the public dataset show that the proposed method outperforms existing self-supervised MRI reconstruction methods and achieves comparable performances with the conventional (fully sampled data trained) score-based diffusion methods.

研究の動機と目的

• スコアベースの拡散モデルの学習に必要な完全にサンプリングされたMRIデータの入手制限という課題に対処すること。
• 完全にサンプリングされたMR画像の事前分布を、完全にサンプリングされたデータを一切用いずに、アンダーサンプリングされたk空間データから学習する自己教師付き学習フレームワークの開発。
• 完全にサンプリングされたデータを一切用いずに、多様なサンプリングトレースに対して高い再構成精度と一般化性能を維持すること。
• 特定の条件下で、アンダーサンプリングされたデータからスコア関数を一貫して推定できることを理論的に正当化すること。

提案手法

• ベイジアンディープラーニングを用いて、アンダーサンプリングされたk空間データから完全にサンプリングされたMR画像の分布を推論する。
• 推論された分布上でスコアマッチングを用いて、完全にサンプリングされた画像分布のスコア関数（対数確率密度の勾配）を推定する。
• 学習されたスコア関数を、アンダーサンプリングされたデータに条件づけたランジュバンMCMCサンプリングの事前分布として用い、MR画像を再構成する。
• 完全にサンプリングされた画像の事後分布を近似するために、変分推論フレームワークを活用する。
• 摂動を加えたアンダーサンプリングされたデータ分布上で、ノイズ除去スコアマッチングの目的関数を用いて、スコア関数をエンドツーエンドで学習する。
• 再構成プロセスは、アンダーサンプリングされたk空間測定値に条件づけられた、学習済みスコア関数に従ってガイドされる反復的ランジュバンダイナミクスサンプリングを実行する。

実験結果

リサーチクエスチョン

• RQ1 完全にサンプリングされた学習データを一切用いずに、スコアベースの拡散モデルが高精度な事前分布を学習できるか？
• RQ2 完全にサンプリングされたMR画像分布のスコアを、アンダーサンプリングされたk空間データのみで正確に推定できるか？
• RQ3 提案された自己教師付き手法の一般化性能は、異なるサンプリングトレースやデータシフトに対してどのように評価されるか？
• RQ4 自己教師付きスコアベースモデルは、完全に教師ありのスコアベース拡散モデルと同等の再構成品質を達成できるか？

主な発見

• 提案されたSelf-Score手法は、完全にサンプリングされたデータを一切用いずに、公開データセットにおいて完全に教師ありのスコアベース拡散モデルと同等のMRI再構成性能を達成する。
• 本手法は、再構成精度および異なるサンプリングトレースにおける一般化性能の両面で、既存の自己教師付きMRI再構成手法を上回る。
• 加速係数の変更やk空間サンプリングパターンの変化といったデータシフトに対しても、強力な性能を維持し、一般化能の高さを示す。
• 理論的分析により、やや厳しい条件のもとで、完全にサンプリングされた画像分布のスコア関数をアンダーサンプリングされたデータから一貫して推定できることを示し、本手法の有効性の根拠を提供する。
• 実験的結果により、自己教師付きスコアベース事前分布が、限られた監視信号のもとでも、ランジュバンMCMCサンプリングによる高品質な画像生成を可能にすることが確認された。