[논문 리뷰] DOLCE: A Model-Based Probabilistic Diffusion Framework for Limited-Angle CT Reconstruction

Jiaming Liu, Rushil Anirudh외 5명|arXiv (Cornell University)|2022. 11. 22.

Medical Imaging Techniques and Applications인용 수 7

한 줄 요약

DOLCE는 한정된 각도 CT 재구성에 대한 모델 기반 확률적 확산 프레임워크로, 데이터 일致성 업데이트를 통합하여 심각하게 저 sampling된 데이터로부터 고품질이고 에지 보존형 재구성을 생성하는 조건부 확산 모델을 이미지 사전으로 사용한다. 이는 다양한 실제 데이터셋에서 최신 기술 수준의 성능을 달성하며, 다양한 캘리브레이션된 샘플 생성을 통해 체계적인 불확실성 정량화를 가능하게 한다.

ABSTRACT

Limited-Angle Computed Tomography (LACT) is a non-destructive evaluation technique used in a variety of applications ranging from security to medicine. The limited angle coverage in LACT is often a dominant source of severe artifacts in the reconstructed images, making it a challenging inverse problem. We present DOLCE, a new deep model-based framework for LACT that uses a conditional diffusion model as an image prior. Diffusion models are a recent class of deep generative models that are relatively easy to train due to their implementation as image denoisers. DOLCE can form high-quality images from severely under-sampled data by integrating data-consistency updates with the sampling updates of a diffusion model, which is conditioned on the transformed limited-angle data. We show through extensive experimentation on several challenging real LACT datasets that, the same pre-trained DOLCE model achieves the SOTA performance on drastically different types of images. Additionally, we show that, unlike standard LACT reconstruction methods, DOLCE naturally enables the quantification of the reconstruction uncertainty by generating multiple samples consistent with the measured data.

연구 동기 및 목표

• 부분적인 각도 샘플링으로 인한 심각한 아티팩트를 해결하기 위해 한정된 각도 CT(LACT)에서 발생하는 문제를 해결한다.
• 의료 영상과 수화물과 같은 다양한 이미지 분포에 대해 일반화 가능하고 고성능인 재구성 프레임워크를 개발한다.
• 기존 딥 러닝 방법에서 거의 다루어지지 않은 LACT 재구성에서의 불확실성 정량화를 가능하게 한다.
• 물리적 전방 모델과 딥 생성 사전을 확률적이고 반복적인 정밀 조정 프레임워크를 통해 통합한다.

제안 방법

• DOLCE는 변환된 한정된 각도 시노그램을 조건으로 하여 이미지를 노이즈 제거하도록 훈련된 조건부 확산 모델을 사용한다.
• 노이즈가 포함된 초기 재구성을 반복적인 노이즈 제거 단계를 통해 정밀하게 개선하는 확률적 샘플링 과정을 사용한다.
• 각 샘플링 단계 이후에 프록시 매핑을 사용하여 측정된 프로젝션과의 일치를 강제하는 데이터 일치 업데이트를 적용한다.
• 이 프레임워크는 한정된 각도 데이터를 기반으로 한 이미지의 사후 분포를 모델링하기 위해 엔드 투 엔드로 훈련되며, 물리적 모델링과 학습된 사전을 결합한다.
• 초기화에 FBP와 RLS 모두를 조건 입력으로 지원하여 유연성을 확보한다.
• 단일 시노그램에서 여러 다양성 있는 재구성을 생성함으로써 분산 계산을 통한 불확실성 추정이 가능하다.

실험 결과

연구 질문

• RQ1 한정된 각도 CT(LACT) 데이터 분포 간에 극명하게 다른 분포, 예를 들어 인간 신체와 수화물에 대해 단일 사전 훈련된 확산 모델이 일반화 가능한가?
• RQ2 모델 기반의 확산 프레임워크가 심각하게 저 sampling된 LACT 데이터에서 최신 기술 수준의 재구성 품질을 달성할 수 있는가?
• RQ3 조건부 확산 모델은 자연스럽게 LACT에서 불확실성 정량화를 가능하게 하는가? 그리고 추정된 불확실성은 실제 재구성 오차와 잘 校정되어 있는가?
• RQ4 데이터 일치 업데이트를 통합함으로써 확산 기반 프레임워크에서 재구성 정밀도와 수렴성이 어떻게 향상되는가?

주요 결과

• DOLCE는 의료 및 보안 관련 LACT 데이터셋 모두에서 최신 기술 수준의 성능을 달성하며, θ_max ∈ {60°, 90°, 120°} 범위에서 고해상도 512×512 이미지를 생성한다.
• 동일한 사전 훈련된 DOLCE 모델이 인간 신체와 수화물 스캔을 포함한 상이한 데이터 분포 간에 효과적으로 일반화되어, 예기치 못할 수준의 모델 이식성(transferability)을 입증한다.
• DOLCE는 의미 있는 불확실성 정량화를 가능하게 한다: 추정된 분산은 절대 재구성 오차와 매우 높은 상관관계를 보이며, 잘 校정된 불확실성 추정을 의미한다.
• 프록시 매핑을 통한 데이터 일치성 통합은 재구성 품질을 향상시키고 추론 중 우도를 안정화시키며, PSNR는 K=50 반복 시점에 최고치에 도달한다.
• 3D 세그멘테이션 결과는 DOLCE가 RLS와 DPS보다 날카운 물체 경계를 더 잘 유지함을 보여주며, 재구성된 2D 슬라이스에서 정확한 영역 성장 세그멘테이션을 가능하게 한다.
• θ_max = 60°에서도 전통적 방법이 실패하는 극도로 낮은 데이터 가용성 조건에서도 DOLCE는 높은 이미지 품질을 유지하여 극한의 데이터 부족에 대한 강건성을 입증한다.