[논문 리뷰] DDM$^2$: Self-Supervised Diffusion MRI Denoising with Generative Diffusion Models

Tiange Xiang, Mahmut Yurt외 3명|arXiv (Cornell University)|2023. 02. 06.

Advanced Neuroimaging Techniques and Applications인용 수 17

한 줄 요약

DDM2는 노이즈가 있는 입력을 중간 확산 상태로 표현하고 ground-truth 데이터 없이 최첨단 디노이징 성능을 달성하는 세 단계의 자기지도 확산 기반 프레임워크를 도입한다.

ABSTRACT

Magnetic resonance imaging (MRI) is a common and life-saving medical imaging technique. However, acquiring high signal-to-noise ratio MRI scans requires long scan times, resulting in increased costs and patient discomfort, and decreased throughput. Thus, there is great interest in denoising MRI scans, especially for the subtype of diffusion MRI scans that are severely SNR-limited. While most prior MRI denoising methods are supervised in nature, acquiring supervised training datasets for the multitude of anatomies, MRI scanners, and scan parameters proves impractical. Here, we propose Denoising Diffusion Models for Denoising Diffusion MRI (DDM$^2$), a self-supervised denoising method for MRI denoising using diffusion denoising generative models. Our three-stage framework integrates statistic-based denoising theory into diffusion models and performs denoising through conditional generation. During inference, we represent input noisy measurements as a sample from an intermediate posterior distribution within the diffusion Markov chain. We conduct experiments on 4 real-world in-vivo diffusion MRI datasets and show that our DDM$^2$ demonstrates superior denoising performances ascertained with clinically-relevant visual qualitative and quantitative metrics.

연구 동기 및 목표

• 다양한 해부학, 스캐너, 프로토콜 하에서 쌍으로 매칭된 ground-truth 데이터 없이 확산 MRI를 효과적으로 디노이징할 필요성을 제시한다.
• 통계적 디노이징과 확산 모델을 통합한 자기지도 디노이징 프레임워크를 개발한다.
• 노이즈가 있는 입력을 확산 마르코프 체인의 중간 상태의 샘플로 표현하여 디노이징을 가능하게 한다.
• 실세계 확산 MRI 데이터셋에서 교차 데이터셋 일반화 가능성을 입증한다.
• 재현성과 임상적 관련성을 위한 오픈 소스 구현을 제공한다.

제안 방법

• Stage I은 제한된 입력 볼륨으로부터 초기 노이즈 분포를 추정하기 위해 슬라이스-투-슬라이스 디노이징 함수를 학습한다.
• Stage II는 추정된 잔차에 가우시안 노이즈 모델을 맞추고 그 표준편차를 확산 일정에 맞춰 조정하여 입력을 중간 확산 상태로 위치시킨다.
• Stage III은 두 가지 주요 수정(노이즈 셔플 및 J-Invariance 손실)을 갖춘 확산 기반의 역과정을 학습하여 ground-truth 감독 없이도 깨끗한 근사를 생성한다.

실험 결과

연구 질문

• RQ1 쌍으로 정답 이미지가 없는 상태에서 노이즈가 있는 확산 MRI 측정값에 조건부로 비지도 확산 모델을 어떻게 설정하여 디노이즈된 출력을 생성할 수 있는가?
• RQ2 데이터 기반 노이즈 모델을 확산 샘플링 일정과 학습 및 정렬하여 조건부 생성을 위한 중간 상태를 식별하는 최적의 방법은 무엇인가?
• RQ3 세 단계 자기지도 확산 디노이저가 다양한 데이터셋에서 기존의 감독 및 자기지도 MRI 디노이징 방법보다 우월한가?

주요 결과

• DDM2는 네 가지 실제 세계 확산 MRI 데이터셋에서 최첨단 방법 대비 우수한 디노이징 성능을 달성한다.
• 경쟁 방법과 비교하여 DDM2는 평가된 데이터 전반에서 통계적으로 유의한 SNR 및 CNR 향상을 보인다.
• 가장 강력한 스코어 기반 방법과 비교하여 DDM2는 평균 0.95 포인트의 SNR과 평균 0.93 포인트의 CNR 향상을 달성한다.
• 중간 상태 샘플링으로 인해 표준 DDPM보다 5–10배 빠른 추론을 제공하되 디노이징 품질은 유지한다.
• 정성적 결과는 해부학적 세부사항의 회복이 더 우수함을 보여주며 신경방사선과 의사들에 의해 새로운 환각 현상이 관찰되지 않는다.