[논문 리뷰] CoreDiff: Contextual Error-Modulated Generalized Diffusion Model for Low-Dose CT Denoising and Generalization
CoreDiff는 저선량 CT 노이즈 제거를 위한 맥락 기반 오차 조절 일반화 확산 모델을 제안하며, 추론을 가속화하기 위해 LDCT 이미지를 샘플링의 시작점으로 사용하고, 물리적 CT 노이즈를 모델링하기 위해 평균 보존 퇴화 연산자를 도입하며, 오차 누적을 줄이기 위해 CLEAR-Net을 도입한다. 이는 단지 10단계의 샘플링만으로도 최신 기술 수준의 노이즈 제거 성능을 달성하며, 임상적으로 실현 가능한 추론 시간을 제공한다.
Low-dose computed tomography (CT) images suffer from noise and artifacts due to photon starvation and electronic noise. Recently, some works have attempted to use diffusion models to address the over-smoothness and training instability encountered by previous deep-learning-based denoising models. However, diffusion models suffer from long inference times due to the large number of sampling steps involved. Very recently, cold diffusion model generalizes classical diffusion models and has greater flexibility. Inspired by the cold diffusion, this paper presents a novel COntextual eRror-modulated gEneralized Diffusion model for low-dose CT (LDCT) denoising, termed CoreDiff. First, CoreDiff utilizes LDCT images to displace the random Gaussian noise and employs a novel mean-preserving degradation operator to mimic the physical process of CT degradation, significantly reducing sampling steps thanks to the informative LDCT images as the starting point of the sampling process. Second, to alleviate the error accumulation problem caused by the imperfect restoration operator in the sampling process, we propose a novel ContextuaL Error-modulAted Restoration Network (CLEAR-Net), which can leverage contextual information to constrain the sampling process from structural distortion and modulate time step embedding features for better alignment with the input at the next time step. Third, to rapidly generalize to a new, unseen dose level with as few resources as possible, we devise a one-shot learning framework to make CoreDiff generalize faster and better using only a single LDCT image (un)paired with NDCT. Extensive experimental results on two datasets demonstrate that our CoreDiff outperforms competing methods in denoising and generalization performance, with a clinically acceptable inference time. Source code is made available at https://github.com/qgao21/CoreDiff.
연구 동기 및 목표
- 기존의 딥러닝 기반 저선량 CT 노이즈 제거 방법에서의 과도한 부드러움과 학습 불안정성 문제를 해결한다.
- 의료 영상에서 일반적인 확산 모델의 긴 추론 시간을 줄인다.
- 재학습이나 광범위한 초파rameter 조정 없이도 새로운 선량 수준에 대한 일반화를 향상시킨다.
- 확산 기반 노이즈 제거 과정에서의 오차 누적과 정렬 오류를 완화한다.
- 단 한 장의 쌍체 LDCT/NDCT 이미지만을 사용하여 초저선량 CT 환경에 빠르게 적응할 수 있도록 한다.
제안 방법
- 확산 과정의 초기 노이즈 입력으로 저선량 CT(LDCT) 이미지를 사용하여 랜덤 가우시안 노이즈를 대체함으로써 샘플링 단계를 줄인다.
- 물리적 CT 이미지 퇴화 과정을 시뮬레이션하기 위해 새로운 평균 보존 퇴화 연산자를 도입하여 샘플링 효율성과 정밀도를 향상시킨다.
- 공간적 맥락을 활용하여 구조적 왜곡을 제약하고 시간 단계 임bedding을 적응적으로 조절함으로써 단계 간 정렬을 향상시키는 Contextual Error-modulated Restoration Network인 CLEAR-Net을 제안한다.
- 단 한 장의 (비)쌍체 LDCT 및 NDCT 이미지를 사용하여 CoreDiff를 미세조정하는 일회 학습 프레임워크를 설계하여 새로운 선량 수준으로의 일반화를 가능하게 한다.
- 냉각 확산에서 영감을 얻은 일반화된 확산 프레임워크를 활용하여 LDCT 이미지에서의 민첩하고 강건한 샘플링을 가능하게 한다.
- 퇴화 연산자와 CLEAR-Net을 통합된 확산 샘플링 파이프라인에 통합하여 속도와 이미지 품질을 동시에 향상시킨다.
실험 결과
연구 질문
- RQ1확산 과정의 시작점으로 LDCT 이미지를 사용함으로써 노이즈 제거 품질을 유지하면서도 샘플링 단계를 크게 줄일 수 있는가?
- RQ2표준 가우시안 노이즈와 비교할 때 평균 보존 퇴화 연산자가 저선량 CT 이미지의 물리적 노이즈 특성을 얼마나 효과적으로 모델링하는가?
- RQ3컨텍스트 정보와 적응형 시간 단계 조절을 활용함으로써 CLEAR-Net이 확산 샘플링 중 오차 누적과 정렬 오류를 줄일 수 있는가?
- RQ4일회 학습 설정에서 단 한 장의 LDCT/NDCT 쌍만을 사용하여 CoreDiff가 새로운 선량 수준으로 얼마나 잘 일반화되는가?
- RQ5CoreDiff는 기존의 확산 모델 및 비확산 모델을 능가하면서도 초저선량 시나리오에서 임상적으로 수용 가능한 추론 속도를 달성하는가?
주요 결과
- CoreDiff는 네 개의 공개 LDCT 데이터셋에서 최신 기술 수준의 노이즈 제거 성능을 달성하며, 정량적 지표와 시각적 품질 모두에서 경쟁 모델을 능가한다.
- 모델은 추론 시간을 단지 10단계의 샘플링으로 줄여 표준 확산 모델 대비 10배 빠르게 하여, 확산 샘플링의 본질적 비용에도 불구하고 임상적으로 실현 가능한 성능을 제공한다.
- 일회 학습 프레임워크는 테스트 데이터에 대한 초파rameter 조정이 필요 없이 단 한 장의 LDCT/NDCT 쌍만으로도 새로운 선량 수준으로의 신속한 일반화를 가능하게 한다.
- CoreDiff는 초저선량 시나리오(예: 5% 선량)에서도 강력한 내성과 높은 이미지 정밀도 및 진단적 관련성을 유지함을 입증하였다.
- CLEAR-Net은 PSNR 및 SSIM 점수 향상을 통해 샘플링 과정에서의 구조적 왜곡과 정렬 오류를 크게 감소시켰다.
- 평균 보존 퇴화 연산자는 CT 영상에서 실제 물리적 퇴화 과정을 더 잘 근사함으로써 샘플링 효율성과 정밀도를 향상시켰다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.