[논문 리뷰] Diffusion Modeling with Domain-conditioned Prior Guidance for Accelerated MRI and qMRI Reconstruction

Wanyu Bian, Albert Jang외 1명|arXiv (Cornell University)|2023. 09. 02.

Advanced MRI Techniques and ApplicationsMedicine인용 수 3

한 줄 요약

이 논문은 정적 MRI를 위한 Static DiMo와 qMRI를 위한 Quantitative DiMo라는 도메인 조건부 확산 모델을 제안한다. 이는 각각 k-space 도메인과 매개변수 도메인에 직접 확산 과정을 적용하고, 물리 기반 사전 지식과 기울기 유도 노이즈 제거를 통합한다. 이 방법은 고속도 가속 요인에서도 최신 기술 수준의 재구성 정확도와 강인성을 달성하며, 기존의 딥러닝 및 최적화 기반 방법보다 정적 및 양적 MRI 모두에서 뛰어난 성능을 보인다.

ABSTRACT

This study introduces a novel approach for image reconstruction based on a diffusion model conditioned on the native data domain. Our method is applied to multi-coil MRI and quantitative MRI reconstruction, leveraging the domain-conditioned diffusion model within the frequency and parameter domains. The prior MRI physics are used as embeddings in the diffusion model, enforcing data consistency to guide the training and sampling process, characterizing MRI k-space encoding in MRI reconstruction, and leveraging MR signal modeling for qMRI reconstruction. Furthermore, a gradient descent optimization is incorporated into the diffusion steps, enhancing feature learning and improving denoising. The proposed method demonstrates a significant promise, particularly for reconstructing images at high acceleration factors. Notably, it maintains great reconstruction accuracy and efficiency for static and quantitative MRI reconstruction across diverse anatomical structures. Beyond its immediate applications, this method provides potential generalization capability, making it adaptable to inverse problems across various domains.

연구 동기 및 목표

• 기존의 확산 모델이 물리적 제약 조건을 忽略하고 이미지 도메인에서 작동하는 데서 비롯하는 한계를 해결한다.
• MRI 물리학(고주파수 인코딩 및 신호 모델링)을 직접 확산 과정에 통합하여, 고도로 불완전한 샘플링 조건에서도 재구성 정확도와 효율성을 향상시킨다.
• 확산 모델링을 양적 MRI(qMRI)로 확장하여, T₁, I₀ 등의 매개변수 지도를 복원하는 데 적용한다. 이는 이전에 확산 모델이 적용되지 않은 도메인이다.
• 확산 샘플링 단계에 기울기 하강 최적화를 통합하여 특징 학습과 노이즈 제거 성능을 향상시킨다.
• MRI를 초월하여 다양한 의료 영상의 역문제에 적용 가능한 통합적이고 일반화 가능한 프레임워크를 개발한다.

제안 방법

• 정적 MRI를 위한 Static DiMo는 전진 및 역방향 확산 과정을 직접 k-space 도메인에 정의하여 MRI 데이터의 원천 주파수 도메인 구조를 유지한다.
• qMRI의 경우, 확산 과정이 매개변수 도메인(T₁, I₀ 등)에 조건화되어 불완전한 샘플링 데이터로부터 정량적 지도를 재구성할 수 있다.
• MRI 물리학—특히 k-space 인코딩과 MR 신호 모델링—은 확산 과정에 데이터 일관성 구성 요소로 통합되어 물리적 타당성을 보장한다.
• 각 확산 샘플링 단계에 기울기 하강 단계를 통합하여 특징 학습을 향상시키고 노이즈 제거 성능을 향상시킨다.
• 기초적인 MRI 및 qMRI 물리학에서 유도된 도메인 특화 임bedding을 기반으로 하는 조건부 확산 모델을 사용한다.
• 프레임워크는 완전 샘플링 데이터를 사용해 엔드 투 엔드로 훈련되며, 추론 시에는 고도로 불완전한 k-space 데이터로부터 고품질 이미지를 재구성한다.

Figure 1 : Diffusion model framework for Static DiMo and Quantitative DiMo (e.g., $T_{1}$ mapping).

실험 결과

연구 질문

• RQ1 원천 데이터 도메인(k-space 또는 매개변수 공간)에서의 확산 모델링이 이미지 도메인 확산 모델보다 정적 MRI 재구성 정확도와 강인성 향상에 기여하는가?
• RQ2 k-space 인코딩 및 신호 모델링과 같은 물리 기반 사전 지식을 확산 과정에 통합할 경우, 분포 이탈 조건 하에서도 재구성 정밀도와 일반화 능력에 어떤 영향을 미치는가?
• RQ3 확산 샘플링 단계에 기울기 하강 최적화를 통합할 경우, 이미지 선명도를 훼손하지 않으면서도 특징 학습과 노이즈 제거 성능을 향상시킬 수 있는가?
• RQ4 제안된 방법은 T₁ 및 I₀와 같은 조직 매개변수를 불완전한 데이터에서 복원하는 양적 MRI 재구성에 일반화 가능한가?
• RQ5 특히 아티팩트 억제 및 가장자리 유지 측면에서, 극한의 가속 요인(예: 4×–6×)에서의 성능은 어떠한가?

주요 결과

• Quantitative DiMo는 모든 테스트 가속 요인에서 T₁ 및 I₀ 지도 복원에 가장 낮은 오차를 기록했으며, 오차 지도에서 완전 샘플링 기준값과의 편차가 가장 적었다.
• 4× 2D 포isson 불완전 샘플링 조건에서 Quantitative DiMo는 아티팩트 없는 T₁ 및 I₀ 지도를 생성했으며, 선명도와 정밀도 측면에서 RELAX, LLR 및 Model-TGV를 모두 능가했다.
• 1D 카르테시안 불완전 샘플링 조건에서 6× 가속도에서도 고정밀도를 유지했으며, 오차 및 분산 지도에서 조직 경계 부근에서만 불확실성이 약간 증가함을 확인했다.
• 제거 실험 결과에서 샘플링 인스턴스 수를 10에서 100으로 증가시킬수록 분산이 감소하고 평균 이미지 품질이 향상되어, 방법의 안정성과 불확실성 정량화 능력을 확인했다.
• 확산 단계 내 기울기 하강 최적화 통합으로 노이즈 제거 성능이 크게 향상되었으며, 확대된 영역에서 블러링 감소와 더 선명한 가장자리가 관찰되어, 세밀한 해부학적 세부 정보를 잘 유지함을 입증했다.
• 전두엽 백질, 피각, 소뇌 등 다양한 해부학적 구조에서 뛰어난 강인성을 보였으며, 다수의 피험자 및 시퀀스에서 일관된 성능을 유지했다.

Figure 2 : Network structure for $\epsilon_{\theta}(x_{t},t)$ .