[論文レビュー] Ultrasound Speckle Suppression and Denoising using MRI-derived Normalizing Flow Priors

Vincent van de Schaft, Ruud J. G. van Sloun|arXiv (Cornell University)|Dec 24, 2021

Ultrasound Imaging and Elastography被引用数 6

ひとこと要約

本稿では、最大後確度（MAP）推定を用いてMRI由来の正規化フロー事前分布を用いることで、ペアのクリーン・ノイズありデータを必要としない非教師付き超音波スペックル抑制およびノイズ除去手法を提案する。高品質なMRIパッチを用いて訓練された正規化フローにより、組織の反射率をモデル化し、模擬的および生体内在超音波画像の両方に対して効果的なノイズ除去を実現する。非局所平均法（NLM）および最適化されたベイズ的非局所平均法（OBNLM）を上回り、定量的指標および主観的品質の両面で優れた性能を示す。

ABSTRACT

Ultrasonography offers an inexpensive, widely-accessible and compact medical imaging solution. However, compared to other imaging modalities such as CT and MRI, ultrasound images notoriously suffer from strong speckle noise, which originates from the random interference of sub-wavelength scattering. This deteriorates ultrasound image quality and makes interpretation challenging. We here propose a new unsupervised ultrasound speckle reduction and image denoising method based on maximum-a-posteriori estimation with deep generative priors that are learned from high-quality MRI images. To model the generative tissue reflectivity prior, we exploit normalizing flows, which in recent years have shown to be very powerful in modeling signal priors across a variety of applications. To facilitate generaliation, we factorize the prior and train our flow model on patches from the NYU fastMRI (fully-sampled) dataset. This prior is then used for inference in an iterative denoising scheme. We first validate the utility of our learned priors on noisy MRI data (no prior domain shift), and then turn to evaluating performance on both simulated and in-vivo ultrasound images from the PICMUS and CUBDL datasets. The results show that the method outperforms other (unsupervised) ultrasound denoising methods (NLM and OBNLM) both quantitatively and qualitatively.

研究の動機と目的

• 超音波画像におけるスペックルノイズが画像品質を低下させ、臨床的解釈を困難にすることに起因する課題に対処すること。
• ペアのクリーン・ノイズあり超音波データを必要としないノイズ除去手法の開発により、教師ありディープラーニング手法の限界を克服すること。
• 高品質なMRIデータを、超音波画像修復のための解剖学的事前知識の源として活用すること。
• 局所的組織パッチ統計を要因分解された正規化フローでモデル化することで、多様な解剖的構造への一般化を向上させること。
• MRIで訓練された深層生成モデルを用いたMAP最適化により、教師なし、事前分布駆動型のノイズ除去を実現すること。

提案手法

• NYU fastMRIデータセットから抽出した局所的画像パッチを用いて、正規化フローのアーキテクチャを訓練し、組織の反射率の事前分布をモデル化する。
• 事前分布を要因分解することで、高レベルの意味的特徴ではなく、局所的構造的統計をモデル化し、未観測の超音波解剖構造への一般化を向上させる。
• 尤度を白色ノイズを仮定するガウス誤差モデルとしてモデル化した、反復的MAP推論スキームを用いる。
• 構造的情報を含むパッチを、パッチ選択戦略を用いてフルMRIボリュームから自動的に抽出し、事前分布の品質を向上させる。
• データ適合性と学習済み生成事前分布のバランスを取るための反復的最適化により、クリーンな超音波画像を再構築する。
• 本手法は、模擬的スペックルノイズを含む超音波データおよびPICMUSおよびCUBDLチャレンジからの実際の生体内在データの両方へ適用可能である。

実験結果

リサーチクエスチョン

• RQ1 ペアのトレーニングデータを必要としないMRI由来の正規化フロー事前分布が、超音波画像におけるスペックルノイズを効果的に抑制できるか。
• RQ2 MRIベースの事前分布は、 carotid artery や心筋組織など複雑な構造を含む多様な生体内在超音波解剖構造へどれほど一般化できるか。
• RQ3 本手法は、定量的指標および主観的品質の両面で、NLM や OBNLM といった従来の非教師付きノイズ除去アルゴリズムを上回るか。
• RQ4 要因分解されたパッチベースの正規化フロー構造は、グローバル画像事前分布と比較して、一般化性能をどの程度向上させるか。
• RQ5 特に低コントラスト領域において、本手法はノイズを効果的に抑制しながら、解剖学的構造とエッジのシャープネスを保持できるか。

主な発見

• 模擬的超音波データにおいて、本手法はPSNRおよびSSIMの両指標で非局所平均法（NLM）および最適化されたベイズ的非局所平均法（OBNLM）を上回った。
• PICMUSおよびCUBDLデータセットからの生体内在超音波データにおいて、本手法はNLMおよびOBNLMと比較して、より自然な外観の画像を生成し、細部の保持が優れていた。
• 本手法は幾何学的忠実性を維持しており、MRIデータベース内に完全な円形構造が存在しなくても、嚢胞のような低強度領域の形状を正しく保存した。
• 定性的な結果から、本手法はNLMで一般的に見られる「ポスタリゼーション効果」を回避し、OBNLMよりもノイズをより効果的に低減しながら、構造の現実性を維持していることが示された。
• MRI由来の事前分布は、異なる解剖的領域へも良好に一般化されており、CUBDLデータセットの心臓画像のノイズ除去においても成功を収めた。
• 本手法は超音波データで訓練されていないにもかかわらず、強力な性能を発揮しており、超音波修復に向けたMRIベースの事前分布の有効性を示している。