[논문 리뷰] High-Frequency Space Diffusion Models for Accelerated MRI

Chentao Cao, Zhuo‐Xu Cui외 6명|arXiv (Cornell University)|2022. 08. 10.

Advanced Neuroimaging Techniques and Applications인용 수 7

한 줄 요약

이 논문은 고속 MRI 재구성 전용으로 설계된 새로운 점수 기반 SDE인 고주파수 공간 확산 모델(HFS-SDE)을 제안한다. 이 모델은 고주파수 k-공간 성분에만 확산을 적용하여 저주파수 성분은 그대로 유지함으로써, 저주파수 영역에서는 결정론적 재구성과 고주파수 영역에서는 단순화된 역과정을 통해 수렴 속도를 향상시킨다. 이로 인해 fastMRI 데이터셋에서 최신 기술 수준의 영상 품질과 빠른 속도를 달성한다.

ABSTRACT

Diffusion models with continuous stochastic differential equations (SDEs) have shown superior performances in image generation. It can serve as a deep generative prior to solving the inverse problem in magnetic resonance (MR) reconstruction. However, low-frequency regions of $k$-space data are typically fully sampled in fast MR imaging, while existing diffusion models are performed throughout the entire image or $k$-space, inevitably introducing uncertainty in the reconstruction of low-frequency regions. Additionally, existing diffusion models often demand substantial iterations to converge, resulting in time-consuming reconstructions. To address these challenges, we propose a novel SDE tailored specifically for MR reconstruction with the diffusion process in high-frequency space (referred to as HFS-SDE). This approach ensures determinism in the fully sampled low-frequency regions and accelerates the sampling procedure of reverse diffusion. Experiments conducted on the publicly available fastMRI dataset demonstrate that the proposed HFS-SDE method outperforms traditional parallel imaging methods, supervised deep learning, and existing diffusion models in terms of reconstruction accuracy and stability. The fast convergence properties are also confirmed through theoretical and experimental validation. Our code and weights are available at https://github.com/Aboriginer/HFS-SDE.

연구 동기 및 목표

• 기존 확산 모델이 MRI 재구성에서 불안정하고 느린 수렴을 보이는 문제를 해결하기 위해, 특히 완전히 촬영된 저주파수 k-공간 영역에서의 문제를 해결한다.
• 고속 MRI에서 일반적으로 완전히 확보되는 저주파수 성분에서의 결정론적 재구성으로 재구성 불확실성을 감소시킨다.
• 고주파수 k-공간 성분에만 확산 동역학을 제한함으로써 역확산 과정의 수렴 속도를 가속화한다.
• 고품질 영상 생성을 위해 필요한 역샘플링 단계 수를 크게 줄임으로써 임상 적용 가능성을 향상시킨다.

제안 방법

• 새로운 확률적 미분방정식(SDE), HFS-SDE를 도입하여, k-공간의 고주파수 성분에만 확산 과정을 적용하고 저주파수 성분은 고정한다.
• 전방 SDE는 고주파수 성분에만 작용하는 시간에 따라 변하는 노이즈 스케줄과 함께 정의되며, 이는 투영 연산자 $\boldsymbol{\mathcal{F}}_h$ 를 통해 구현되며, 저주파수 성분은 그대로 유지된다.
• 역방향 SDE는 전방 과정에서 유도되며, 학습된 점수 함수 $\mathbf{s}_{\boldsymbol{\theta}}(\mathbf{x}(t), t)$ 를 사용해 노이즈 제거를 이끈다. 학습은 가중치가 부여된 손실 함수를 사용한 점수 매칭 기반으로 수행된다.
• 점수 네트워크는 조건부 분포 $p_{0t}(\mathbf{x}(t) \mid \mathbf{x}(0))$ 의 점수를 추정하도록 학습되며, 고주파수 성분에만 적용되는 확산 동역학을 고려한 손실 함수를 사용한다.
• 시간 단계 간 손실 균형을 맞추기 위해 가중치 함수 $\lambda(t)$ 를 사용하며, 학습 목표는 고주파수 영역에서의 기대 재구성 오차를 최소화하는 데 있다.
• 이론적 분석을 통해 HFS-SDE의 약한 수렴 오차가 전체 공간 SDE보다 더 작은 상한선으로 유계임을 입증하여, 더 뛰어난 안정성과 수렴 성질을 증명한다.

실험 결과

연구 질문

• RQ1 고주파수 k-공간 성분에만 확산을 제한함으로써, 완전히 촬영된 저주파수 영역에서의 재구성 안정성 향상과 불확실성 감소가 가능한가?
• RQ2 고주파수 성분에만 확산을 적용하는 것이 전체 공간 확산 모델 대비 역샘플링 과정에서 더 빠른 수렴을 이끌 수 있는가?
• RQ3 고주파수 성분 전용 확산을 적용한 점수 기반 SDE 모델이 기존 확산 모델보다 더 뛰어난 영상 품질과 더 빠른 추론 성능을 달성할 수 있는가?
• RQ4 HFS-SDE의 이론적 약한 수렴 상한선이 MRI 재구성 맥락에서 전체 공간 SDE와 비교해 어떻게 다른가?
• RQ5 제안된 방법은 고해상도 재구성 정밀도를 유지하면서 얼마나 많은 역샘플링 단계를 줄일 수 있는가?

주요 결과

• HFS-SDE는 fastMRI 데이터셋에서 최신 기술 수준의 재구성 성능을 달성하여, 영상 품질과 안정성 면에서 전통적인 병렬 촬영 및 지도 학습 기반 딥러닝 방법을 모두 능가한다.
• 고품질 재구성에 필요한 역샘플링 단계 수를 줄였으며, 실험적 검증을 통해 빠른 수렴을 확인하였다.
• 이론적 분석을 통해 HFS-SDE의 약한 수렴 상한선이 전체 공간 SDE보다 작음을 입증하여, 더 뛰어난 안정성과 수렴 행동을 보임을 보였다.
• 모델은 저주파수 k-공간 영역에서 결정론적 재구성을 보장하여, 이 영역에서의 확산 과정에 기인한 불확실성을 제거한다.
• 정량적 결과는 HFS-SDE가 기준 확산 모델 및 지도 학습 방법보다 fastMRI 데이터셋에서 더 높은 PSNR 및 SSIM 점수를 달성함을 보여준다.
• 다양한 가속 요인에 대해 강건하며, 특정 해부학적 영역이나 스캔 프로토콜에 대한 미세조정 없이도 뛰어난 일반화 능력을 보였다.