[논문 리뷰] Adaptive Diffusion Priors for Accelerated MRI Reconstruction

Alper Güngör, Salman Ul Hassan Dar외 5명|arXiv (Cornell University)|2022. 07. 12.

Radiomics and Machine Learning in Medical Imaging인용 수 21

한 줄 요약

AdaDiff는 MRI 재구성을 위한 적응형 확산 사전(adaptive diffusion prior)을 도입하여 대형 스텝으로의 빠른 확산과 도메인 시프트 하에서 재구성을 개선하기 위한 피실험자별(prior) 적응을 가능하게 합니다.

ABSTRACT

Deep MRI reconstruction is commonly performed with conditional models that de-alias undersampled acquisitions to recover images consistent with fully-sampled data. Since conditional models are trained with knowledge of the imaging operator, they can show poor generalization across variable operators. Unconditional models instead learn generative image priors decoupled from the operator to improve reliability against domain shifts related to the imaging operator. Recent diffusion models are particularly promising given their high sample fidelity. Nevertheless, inference with a static image prior can perform suboptimally. Here we propose the first adaptive diffusion prior for MRI reconstruction, AdaDiff, to improve performance and reliability against domain shifts. AdaDiff leverages an efficient diffusion prior trained via adversarial mapping over large reverse diffusion steps. A two-phase reconstruction is executed following training: a rapid-diffusion phase that produces an initial reconstruction with the trained prior, and an adaptation phase that further refines the result by updating the prior to minimize data-consistency loss. Demonstrations on multi-contrast brain MRI clearly indicate that AdaDiff outperforms competing conditional and unconditional methods under domain shifts, and achieves superior or on par within-domain performance.

연구 동기 및 목표

• 다양한 영상 연산자에 대해 일반화 가능한 강건한 MRI 재구성을 목표로 한다.
• 연산자와 독립적으로 동작하는 무조건적 확산 사전 프레임워크를 개발하여 도메인 쉬프에 대한 강건성을 향상한다.
• 보다 큰 역방향 스텝을 이용한 효율적인 확산 과정을 통해 추론 속도를 높인다.
• 추론 중 피실험자별 사전 적응을 가능하게 하여 재구성을 정교화한다.
• 다중 대조 뇌 MRI에서 도메인 간 및 도메인 내 성능을 시연한다.

제안 방법

• AdaDiff를 제안한다. 이는 빠르고 큰 스텝의 확산을 위한 적대적 매핑으로 학습된 무조건적 확산 사전이다.
• 두 단계 재구성을 사용한다: 초기 재구성을 위한 빠른 확산 단계와 데이터 일관성 손실을 최소화하는 사전 적응 단계를 따른다.
• 정규성 가정을 두지 않고 역확산을 모델링하기 위해 k 큰 스텝 크기와 생성기 G_thetaG 및 판별기 D_thetaD를 사용하는 빠른 확산을 구현한다.
• 합성된 k-공간 데이터를 취득한 측정값과 비교하는 데이터-일관성 손실을 정의하고 이 손실을 최소화하도록 생성기를 업데이트한다(Eq. 45).
• 훈련 중에는 적대적 매핑이 있는 확산 목적을 사용하여 q(x_t|x_{t+k})를 암시적으로 포착하고 닫힘 형태에 가까운 표현(Eq. 14-18)을 도출한다.
• 빠른 확산에서 데이터-일관성 투영과 역확산 단계를 교대로 수행한 뒤 사전 적응을 통해 정제한다.

실험 결과

연구 질문

• RQ1 무조건적 확산 기반의 사전이 다양한 영상 연산자 하에서 신뢰할 수 있는 MRI 재구성을 제공할 수 있는가?
• RQ2 테스트 시 확산 사전을 적응시키면 재훈련 없이 도메인 쉬프에 대한 재구성 품질이 향상되는가?
• RQ3 적대적 매핑으로 안내된 큰 스텝의 빠른 확산이 많은 스텝의 전통적 확산과 비교할 때 성능이 일치하거나 우수한가?
• RQ4 내부 도메인 및 교차 도메인 조건에서 다중 대조 뇌 MRI에 대해 AdaDiff의 성능은 어떠한가?
• RQ5 도메인 쉬프에 대한 강건성에서 빠른 확산+사전 적응의 비교 이점은 조건부 모델과 어떻게 다를까?

주요 결과

• AdaDiff는 도메인 쉬프 하에서 경쟁사들의 조건부 및 무조건적 방법보다 우수한 성능을 보인다.
• AdaDiff는 연산자 및 분포가 일치할 때 내부 도메인에서 더 우수하거나 동등한 성능을 달성한다.
• 두 단계 접근 방식(빠른 확산 + 사전 적응)은 테스트 데이터에 사전을 맞추어 재구성을 개선한다.
• 적대적 확산 사전은 큰 역방향 스텝으로도 재구성 품질을 유지하며 효율적인 샘플링을 가능하게 한다.
• 사전 적응은 데이터-일관성 손실을 최소화하여 피실험자 데이터에 대해 확산 사전을 정제한다.