[논문 리뷰] Diffusion Probabilistic Priors for Zero-Shot Low-Dose CT Image Denoising

Xuan Liu, Yaoqin Xie외 4명|arXiv (Cornell University)|2023. 05. 25.

Medical Imaging Techniques and Applications인용 수 5

한 줄 요약

이 논문은 사전 훈련된 계단식 확산 확률 모델을 사전 지식으로 활용하여, 쌍화된 데이터나 저선량 CT 훈련 데이터가 전혀 필요 없는 제로샷 비지도 학습 방법인 Dn-Dp를 제안한다. 저선량 CT 영상을 역확산 과정에 통합하고, 적응형 가중치를 사용하여 반복적인 최대사후확률(MAP) 문제를 해결함으로써, 훈련 데이터 없이도 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Denoising low-dose computed tomography (CT) images is a critical task in medical image computing. Supervised deep learning-based approaches have made significant advancements in this area in recent years. However, these methods typically require pairs of low-dose and normal-dose CT images for training, which are challenging to obtain in clinical settings. Existing unsupervised deep learning-based methods often require training with a large number of low-dose CT images or rely on specially designed data acquisition processes to obtain training data. To address these limitations, we propose a novel unsupervised method that only utilizes normal-dose CT images during training, enabling zero-shot denoising of low-dose CT images. Our method leverages the diffusion model, a powerful generative model. We begin by training a cascaded unconditional diffusion model capable of generating high-quality normal-dose CT images from low-resolution to high-resolution. The cascaded architecture makes the training of high-resolution diffusion models more feasible. Subsequently, we introduce low-dose CT images into the reverse process of the diffusion model as likelihood, combined with the priors provided by the diffusion model and iteratively solve multiple maximum a posteriori (MAP) problems to achieve denoising. Additionally, we propose methods to adaptively adjust the coefficients that balance the likelihood and prior in MAP estimations, allowing for adaptation to different noise levels in low-dose CT images. We test our method on low-dose CT datasets of different regions with varying dose levels. The results demonstrate that our method outperforms the state-of-the-art unsupervised method and surpasses several supervised deep learning-based methods. Codes are available in https://github.com/DeepXuan/Dn-Dp.

연구 동기 및 목표

• 임상 환경에서 쌍화된 저선량 및 정상선량 CT 영상의 가용성 부족 문제를 해결하기 위해.
• 훈련 중에 어떤 저선량 CT 영상도 필요로 하지 않는 비지도 학습 노이즈 제거 방법을 개발하기 위해.
• 확산 모델의 생성 사전 지식을 활용하여 저선량 CT 스캔의 제로샷 노이즈 제거를 가능하게 하기 위해.
• 다양한 노이즈 수준에서 안정적인 성능을 확보하기 위해 MAP 추정에서 가능도와 사전 확률 항을 적응형으로 균형 조절하기 위해.
• 핵심 해부학적 구조물(예: 결절, 뼈 윤곽 등)을 유지하면서 고해상도 노이즈 제거를 달성하기 위해.

제안 방법

• 정상선량 CT 영상에서만 훈련된 계단식 무조건적 확산 모델을 통해 저해상도에서 고해상도로의 고해상도 영상 생성을 수행한다.
• 저선량 CT 영상을 역확산 과정에 가능도 제약 조건으로 통합하여 노이즈 제거를 유도한다.
• 입력 저선량 영상의 가능도와 확산 모델의 사전 확률을 균형 조절하면서 반복적인 최대사후확률(MAP) 추정을 수행한다.
• 노이즈 수준에 따라 가능도 항과 사전 항을 동적으로 균형 조절할 수 있도록 λ 파라미터에 대한 적응형 계수 조정을 도입한다.
• 개선된 λ 값으로 중간 단계에서 노이즈 제거를 재개할 수 있도록 하여 정확도를 향상시킨다.
• 훈련 안정성 향상과 고해상도 CT 영상의 품질 향상을 위해 계단식 아키텍처를 사용한다.

실험 결과

연구 질문

• RQ1 정상선량 CT 영상에서만 사전 훈련된 확산 모델이 저선량 CT 영상의 제로샷 노이즈 제거를 위한 강력한 사전 지식으로 기능할 수 있는가?
• RQ2 저선량 CT 입력의 가능도를 역확산 과정에 효과적으로 통합하여 노이즈 제거를 유도할 수 있는가?
• RQ3 라벨이 없는 데이터를 요구하지 않고도 적응형 λ 계수 조정이 다양한 선량 수준에서의 성능 안정성 향상에 기여할 수 있는가?
• RQ4 계단식 확산 아키텍처가 고해상도 CT 영상의 안정적이고 고품질의 생성을 노이즈 제거에 가능하게 하는가?
• RQ5 기존의 비지도 또는 감독 학습 기반 기준 대비, 결절 및 뼈 구조와 같은 미세한 해부학적 세부 정보를 더 잘 유지할 수 있는가?

주요 결과

• 제안된 Dn-Dp 방법은 다양한 데이터셋에서 최신 비지도 학습 방법보다 저선량 CT 노이즈 제거 성능이 뛰어나다.
• 25% 선량 복부 CT 스캔에서 Dn-Dp는 여러 감독 학습 딥 러닝 방법보다 높은 PSNR와 SSIM 성능을 기록한다.
• 비결정성 폐결절 및 뼈 윤곽과 같은 핵심 해부학적 구조를 BM3D, NLM, LIR-IR보다 더 잘 유지하며, 이는 블러링을 유발하는 기존 방법들과의 대비에서 유리하다.
• 적응형 λ 조정 덕분에 재훈련 없이도 다양한 노이즈 수준에서 일관된 성능을 확보할 수 있다.
• 역확산 과정이 29단계로 압축되었음에도 불구하고, RTX 3090를 사용해 512×512 해상도에서 이미지당 5.83초의 높은 추론 시간이 소요된다.
• 최대 5.49G 파라미터의 큰 모델 크기임에도 불구하고, 가장자리 세부 정보와 저대비 구조를 잘 유지하면서도 뛰어난 시각적 및 정량적 성능을 달성한다.