[논문 리뷰] Low-Dose CT Using Denoising Diffusion Probabilistic Model for 20$ imes$ Speedup

Wenjun Xia, Qing Lyu외 1명|arXiv (Cornell University)|2022. 09. 29.

Medical Imaging Techniques and Applications인용 수 5

한 줄 요약

이 논문은 저선량 CT(LDCT) 노이즈 제거를 위한 조건부 노이즈 제거 확산 확률 모델(DDPM)을 제안하며, 샘플링을 가속화하기 위해 빠른 일반 미분방정식(ODE) 해법기를 활용한다. 이 방법은 표준 DDPM 대비 20배 빠른 속도를 달성하면서도 이미지 품질을 유지하거나 향상시켜, 정량적 지표와 임상적 이미지 충실도에서 U-Net과 표준 DDPM를 능가한다.

ABSTRACT

Low-dose computed tomography (LDCT) is an important topic in the field of radiology over the past decades. LDCT reduces ionizing radiation-induced patient health risks but it also results in a low signal-to-noise ratio (SNR) and a potential compromise in the diagnostic performance. In this paper, to improve the LDCT denoising performance, we introduce the conditional denoising diffusion probabilistic model (DDPM) and show encouraging results with a high computational efficiency. Specifically, given the high sampling cost of the original DDPM model, we adapt the fast ordinary differential equation (ODE) solver for a much-improved sampling efficiency. The experiments show that the accelerated DDPM can achieve 20x speedup without compromising image quality.

연구 동기 및 목표

• 저선량 CT(LDCT) 스캔에서 신호 대 잡음비가 낮아지는 문제를 해결하기 위해.
• 강력한 노이즈 제거 성능에도 불구하고 임상적 구현을 제한하는 표준 DDPM 샘플링의 높은 계산 비용을 해결하기 위해.
• 해부학적 세부 구조를 유지하면서 잡음을 효과적으로 억제하는 빠르고 고정밀도의 LDCT 노이즈 제거 방법을 개발하기 위해.
• 사전 학습된 조건부 DDPM과 함께 빠른 ODE 해법기를 통합하여, 이미지 품질을 희생시키지 않고도 효율적인 추론을 가능하게 하기 위해.

제안 방법

• 조건부 DDPM은 노이즈가 있는 LDCT 이미지에서 청소된 NDCT 이미지로의 역방향 확산 과정을 학습하기 위해 U-Net 아키텍처를 디노이저로 사용한다.
• 예측된 이미지와 진짜 NDCT 이미지 간의 L2 손실을 최소화하는 방식으로, 짝지어진 LDCT 및 NDCT 이미지를 사용해 지도 학습 방식으로 모델을 훈련시킨다.
• 빠른 ODE 해법기(DPM-Solver)를 적용하여 연속 시간 SDE를 더 적은 단계에서 풀어 샘플링 속도를 가속화하고, 함수 평가 횟수(NFE)를 감소시킨다.
• 기존의 1,000개의 이산 시간 단계로 변환된 연속 시간 단계를 활용해 사전 학습된 DDPM과 함께 ODE 해법기를 작동하도록 조정한다.
• 샘플링 과정은 표준 정규 분포에서 시작하여 입력 LDCT 스캔 조건 하에 점차적으로 이미지를 디노이징한다.
• 이 방법은 점수 기반 SDE 프레임워크를 사용하며, 역방향 과정은 노이즈 제거 점수 매칭을 통해 학습되어 고정밀도 이미지 생성이 가능하다.

실험 결과

연구 질문

• RQ1 기존의 CNN 기반 방법(U-Net 등)과 비교해 조건부 DDPM이 LDCT 노이즈 제거 성능에서 뛰어난 성능을 내는가?
• RQ2 빠른 ODE 해법기를 통해 DDPM 샘플링 속도를 크게 향상시킬 수 있으며, 이로 인해 이미지 품질이 떨어지지 않는가?
• RQ3 ODE 해법기에서 사용하는 함수 평가 횟수(NFE)의 수에 따라 샘플링 속도와 노이즈 제거 품질 사이의 상호 상충 관계는 어떠한가?
• RQ4 20배 빠른 속도 향상에도 불구하고 정량적 지표를 유지하거나 향상시킬 수 있는가? 이를 통해 가속화된 DDPM이 임상 적용 가능성을 확보할 수 있는가?

주요 결과

• DPM-Solver는 50개의 NFE를 사용할 경우 PSNR 46.72, SSIM 0.9880를 기록하여 표준 DDPM(PSNR: 46.49, SSIM: 0.9873)과 U-Net(PSNR: 44.08, SSIM: 0.9823)을 모두 능가했다.
• DPM-Solver는 50개의 NFE를 사용할 경우 표준 DDPM 대비 20배 빠른 속도를 달성하여, 이미지당 추론 시간을 62.17초에서 3.12초로 감소시켰다.
• DPM-Solver는 15개의 NFE를 사용할 경우 성능이 열악했으며(PSNR: 40.41), 효과적인 노이즈 제거를 위해서는 최소한의 NFE가 필요하다는 것을 확인했다.
• 시각적 검토 결과, DPM-Solver 50 NFE는 U-Net과 DDPM보다 혈관과 같은 세부 해부학적 구조를 더 잘 유지했다.
• 절대 오차 맵 분석 결과, DPM-Solver 50 NFE는 가장 낮은 노이즈 수준을 기록하여 뛰어난 노이즈 억제 능력을 확인했다.
• 정량적 지표와 시각적 품질에서 최신 기술 수준의 성능을 달성하여 임상적 잠재력을 입증했다.