[論文レビュー] Unsupervised Denoising of Diffusion-Weighted Images with Bias and Variance Corrected Noise Modeling

Jine Xie, Zhicheng Zhang+3 more|arXiv (Cornell University)|Feb 22, 2026

Advanced Neuroimaging Techniques and Applications被引用数 0

ひとこと要約

著者らは、拡散MRIのRicianノイズを明示的にモデル化するDeep Image Priorフレームワーク内で2つの教師なし損失関数を提案し、バイアスと異方性分散を修正することでノイズ除去と拡散指標の精度を向上させる。

ABSTRACT

Diffusion magnetic resonance imaging (dMRI) plays a vital role in both clinical diagnostics and neuroscience research. However, its inherently low signal-to-noise ratio (SNR), especially under high diffusion weighting, significantly degrades image quality and impairs downstream analysis. Recent self-supervised and unsupervised denoising methods offer a practical solution by enhancing image quality without requiring clean references. However, most of these methods do not explicitly account for the non-Gaussian noise characteristics commonly present in dMRI magnitude data during the supervised learning process, potentially leading to systematic bias and heteroscedastic variance, particularly under low-SNR conditions. To overcome this limitation, we introduce noise-corrected training objectives that explicitly model Rician statistics. Specifically, we propose two alternative loss functions: one derived from the first-order moment to remove mean bias, and another from the second-order moment to correct squared-signal bias. Both losses include adaptive weighting to account for variance heterogeneity and can be used without changing the network architecture. These objectives are instantiated in an image-specific, unsupervised Deep Image Prior (DIP) framework. Comprehensive experiments on simulated and in-vivo dMRI show that the proposed losses effectively reduce Rician bias and suppress noise fluctuations, yielding higher image quality and more reliable diffusion metrics than state-of-the-art denoising baselines. These results underscore the importance of bias- and variance-aware noise modeling for robust dMRI analysis under low-SNR conditions.

研究の動機と目的

• 低SNR時にRicianバイアスと分散が顕著な拡散加重MRIのノイズ除去を動機づける。
• 第一-および第二モーメント統計に基づくバイアスおよび分散補正損失を提案する。
• 大規模なトレーニングデータセットを用いずに提案損失を検証するために教師なしDeep Image Priorフレームワークを活用する。
• simulatedおよびin-vivoデータで、最先端のベースラインよりも画像品質と拡散パラメータの信頼性が向上することを示す。

提案手法

• 適応重み付けを組み込んだ第一モーメントおよび第二モーメントのノイズ補正損失を定義し、ボクセル間の分散を正規化する。
• 損失に対してボクセルごとの重み付けのために第一モーメントとその分散を用いたDIP-M1-W1を定式化する。
• 損失に対してボクセルごとの重み付けのために第二モーメントとその分散を用いたDIP-M2-W2を定式化する。
• DIPフレームワーク内の3D U-Netを実装して4D dMRIデータをノイズ除去する。
• 公正な評価のためにMPPCA、Patch2Self、DDM2、Replace2SelfをRicianバイアス補正と共に比較する。

実験結果

リサーチクエスチョン

• RQ1 Magnitude dMRIにおけるRicianバイアスとヘテロスケダスィックノイズを教師なしDIPフレームワーク内で効果的に補正できるか。
• RQ2 第一-および第二モーメントに基づくノイズ補正損失はノイズ除去品質と拡散指標の信頼性を最先端手法より改善できるか。
• RQ3 非均一なボクセル毎に変動するノイズ条件下で提案損失はどのように機能するか。
• RQ4 バイアスと分散を考慮した損失は細かな構造ディテールを保存し、解像度をまたいだ拡散指標の安定性をもたらすか。

主な発見

• DIP-M1-W1およびDIP-M2-W2はシミュレーションデータで基準法よりRicianバイアスを低減し、ノイズ変動をより効果的に抑制する。
• 提案損失はデノイズ後の画像のPSNRとSSIMを高め、FAとMDマップのRMSEを低くし、SSIMを高くする。
• 非均一ノイズ条件下で、方法は画像品質と拡散指標の精度の両方で競合他社を一貫して上回る。
• in-vivoの結果は解像度を超えて頑健なデノイズを示し、構造ディテールの保存と拡散指標の安定性（FAのCOV低下）を改善する。
• このアプローチはデノイズ時にバイアス補正を統合し、多段階のベースラインで見られる誤差蓄積を回避する。