[論文レビュー] Self-Supervised MRI Reconstruction with Unrolled Diffusion Models

Yılmaz Korkmaz, Tolga Çukur+1 more|arXiv (Cornell University)|Jun 29, 2023

Advanced Neuroimaging Techniques and ApplicationsMedicine被引用数 3

ひとこと要約

本論文では、自己教師ありのアンロールド拡散モデルであるSSDiffReconを提案する。このモデルは、k-spaceデータのアンダーサンプリングを補間するために、クロスアテンショントランスフォーマーとデータ整合性レイヤーを組み合わせ、自己教師ありの手法で学習することで、完全にスキャンされたデータに依存せずに、高速かつ高品質なMRI再構成を実現する。5回の逆拡散ステップでの学習のみで、教師ありおよび自己教師ありのベースラインを上回る、最先端の画像品質と速度を達成している。

ABSTRACT

Magnetic Resonance Imaging (MRI) produces excellent soft tissue contrast, albeit it is an inherently slow imaging modality. Promising deep learning methods have recently been proposed to reconstruct accelerated MRI scans. However, existing methods still suffer from various limitations regarding image fidelity, contextual sensitivity, and reliance on fully-sampled acquisitions for model training. To comprehensively address these limitations, we propose a novel self-supervised deep reconstruction model, named Self-Supervised Diffusion Reconstruction (SSDiffRecon). SSDiffRecon expresses a conditional diffusion process as an unrolled architecture that interleaves cross-attention transformers for reverse diffusion steps with data-consistency blocks for physics-driven processing. Unlike recent diffusion methods for MRI reconstruction, a self-supervision strategy is adopted to train SSDiffRecon using only undersampled k-space data. Comprehensive experiments on public brain MR datasets demonstrates the superiority of SSDiffRecon against state-of-the-art supervised, and self-supervised baselines in terms of reconstruction speed and quality. Implementation will be available at https://github.com/yilmazkorkmaz1/SSDiffRecon.

研究の動機と目的

• 従来のMRI再構成手法の限界、すなわち文脈への感受性の低さ、データ分布の最適なモデリングの欠如、完全スキャンデータに依存する学習の必要性を解消する。
• 教師あり学習における完全スキャンデータへの依存を克服するため、マスクされたk-space再構成に基づく自己教師あり戦略を導入する。
• 物理学に基づくデータ整合性ブロックを拡散ベースのアンロールドアーキテクチャに統合することで、画像忠実度と再構成速度を向上させる。
• 逆拡散プロセスにおけるクロスアテンショントランスフォーマーを用いて、文脈理解と特徴表現を強化する。
• ペアの完全スキャンデータを必要とせず、最小限の逆拡散ステップで競争力ある性能を達成できることが、拡散モデルの可能性を示す。

提案手法

• 逆拡散プロセス中に、ノイズ除去のためのクロスアテンショントランスフォーマーブロックと、物理的制約を強制するデータ整合性プロジェクションを交互に組み合わせたアンロールドアーキテクチャを提案する。
• 自己教師ありで学習するための条件付き拡散プロセスを採用し、アンダーサンプリングされたデータにおけるマスクされたk-spaceサンプルを予測することで、ノイズ除去ネットワークを訓練する。
• 時間ステップと入力に特化した条件をトランスフォーマー基盤のノイズ除去器に組み込むために、クロスアテンションを用いたマッパーネットワークを導入する。
• 各ノイズ除去ステップの後にデータ整合性レイヤーを統合し、取得されたアンダーサンプリングk-spaceデータへの忠実度を強制する。
• 拡散プロセスにおける予測ノイズと真値ノイズの差を最小化するノイズ除去損失を用いて、モデルを学習する。
• 推論時にわずか5回の逆拡散ステップでのみ実行することで、標準的なDDPMと比較して再構成時間を顕著に短縮する。

実験結果

リサーチクエスチョン

• RQ1 ペアの完全スキャンデータを必要としない自己教師あり拡散モデルが、高忠実度のMRI再構成を達成できるか？
• RQ2 トランスフォーマー基盤のアンロールド拡散アーキテクチャにデータ整合性レイヤーを統合すると、再構成品質と速度にどのような影響を与えるか？
• RQ3 CNNベースのモデルと比較して、クロスアテンションは文脈感受性と詳細の保持にどの程度向上効果を示すか？
• RQ4 最小限の逆拡散ステップ数（例：5ステップ）で、標準的なDDPM（数千ステップ）と比較して競争力ある性能を達成できるか？
• RQ5 本手法のマスクk-space予測に基づく自己教師あり戦略は、教師ありおよび他の自己教師ありベースラインと比較して、ロバストネスと一般化性能に優れているか？

主な発見

• IXIデータセットにおいて4×アンプリフィケーション条件下で、SSDiffReconは平均PSNR 42.3 dB、SSIM 99.3を達成し、2番目に優れた自己教師あり手法よりもPSNRで3.55 dB、SSIMで1.96%向上した。
• fastMRIデータセットでは、4×アンプリフィケーションでPSNR 40.1 dB、SSIM 96.5を達成し、教師ありベースラインよりもPSNRで0.4 dB、SSIMで0.25%向上した。
• わずか5回の逆拡散ステップでのみ、標準的なDDPMと比較して顕著に短い推論時間で最先端の性能を達成した。
• 視覚的比較では、SSDiffReconは他の自己教師あり手法と比較して、高周波数成分の詳細をよりよく保持しており、ぼやけやノイズの発生が少ないことが確認された。
• アブレーションスタディの結果、クロスアテンショントランスフォーマーとデータ整合性レイヤーの両方が性能に不可欠であることが判明し、いずれかを削除するとPSNRとSSIMが著しく低下した。
• 自己教師ありの学習戦略により、ペアの完全スキャンデータを必要とせず、教師あり手法と同等の性能を達成できた。