[논문 리뷰] Measurement-conditioned Denoising Diffusion Probabilistic Model for Under-sampled Medical Image Reconstruction

Yutong Xie, Quanzheng Li|arXiv (Cornell University)|2022. 03. 05.

Medical Imaging Techniques and Applications인용 수 10

한 줄 요약

이 논문은 측정 조건에 따라 노이즈 제거하는 확산 확률 모델(MC-DDPM)을 제안한다. 이는 MRI의 k-공간과 같은 측정 도메인에서 직접 작동하며, 측정 불완전성 마스크를 조건으로 하여 확산 과정을 조절하는 새로운 방법이다. 측정 공간에서 확산 및 역방향 과정을 정의함으로써 MC-DDPM는 데이터 일致성 조건을 내재적으로 만족시키고, 다수의 재구성 결과를 통해 불확실성 정량화를 가능하게 하여, 가속화된 MRI 데이터셋에서 정성적 및 정량적 지표에서 최신 기술보다 뛰어난 성능을 발휘한다.

ABSTRACT

We propose a novel and unified method, measurement-conditioned denoising diffusion probabilistic model (MC-DDPM), for under-sampled medical image reconstruction based on DDPM. Different from previous works, MC-DDPM is defined in measurement domain (e.g. k-space in MRI reconstruction) and conditioned on under-sampling mask. We apply this method to accelerate MRI reconstruction and the experimental results show excellent performance, outperforming full supervision baseline and the state-of-the-art score-based reconstruction method. Due to its generative nature, MC-DDPM can also quantify the uncertainty of reconstruction. Our code is available on github.

연구 동기 및 목표

• 가속화된 촬영으로 인해 스캔 시간은 단축되지만 이미지 품질이 떨어지는 MRI 분야에서 측정 불완전성에 의한 재구성 과제를 해결하기 위해.
• 후처리가 필요 없이 데이터 일치 조건을 자연스럽게 통합하는 통합된 생성 기반 프레임워크를 개발하기 위해.
• 동일한 측정값으로부터 다수의 타당한 재구성을 생성함으로써 이미지 재구성의 불확실성 정량화를 가능하게 하기 위해.
• 감독 학습 기반 기준 및 스코어 기반 생성 모델을 초월하여 측정 불완전한 환경에서의 재구성 품질을 향상시키기 위해.

제안 방법

• 이 방법은 이미지 도메인 대신 측정 도메인(예: MRI의 k-공간)에서 확산 과정을 정의함으로써, 직접적으로 측정 불완전한 데이터를 모델링할 수 있도록 한다.
• 역방향 확산 과정을 측정 불완전성 마스크에 조건화함으로써, 생성된 샘플이 설계상으로 확보된 측정값과 일치하도록 보장한다.
• 학습된 가우시안 전이를 사용하는 노이즈 제거 확산 확률 모델 프레임워크를 활용하며, 노이즈가 측정 공간에서 점차 제거되어 이미지를 재구성한다.
• 역방향 과정은 측정 불완전 패tern을 조건으로 하여 비어 있는 k-공간을 노이즈에서 생성하도록 훈련되며, 이로써 데이터 일치 조건이 모델 아키텍처에 내장된다.
• 동일한 측정값으로부터 다수의 재구성을 샘플링함으로써, 샘플 간 분산을 통해 불확실성 추정이 가능해진다.
• 진짜 사후분포와 모델 사후분포 사이의 역 KL 발산을 최소화하는 변분 추론 목표를 사용하여, 엔드 투 엔드로 훈련된다.

실험 결과

연구 질문

• RQ1 측정 도메인에서 측정 불완전성 마스크에 조건화된 확산 모델이 기존 방법보다 더 뛰어난 재구성 품질을 달성할 수 있는가?
• RQ2 측정 공간에 직접 조건화된 확산 과정이 자연스럽게 데이터 일치 조건을 강제로 이행함으로써 외부 데이터 일치 레이어의 필요성을 제거할 수 있는가?
• RQ3 모델의 생성적 성격이 동일한 측정 불완전 데이터에 대해 다수의 재구성을 생성함으로써 의미 있는 불확실성 추정을 제공할 수 있는가?
• RQ4 MC-DDPM의 성능은 가속화된 MRI 재구성에서 감독 학습 기반 기준 및 스코어 기반 생성 모델과 비교해 어떻게 되는가?

주요 결과

• PD 데이터셋에서 4배 가속화 조건에서 MC-DDPM는 U-Net 기준 및 Chung 등(2021)의 최신 스코어 기반 방법보다 PSNR 3.68 dB 향상되고 SSIM 0.079 향상되었다.
• 8배 가속화 조건에서 MC-DDPM는 U-Net 대비 PSNR 3.97 dB 향상되고 SSIM 0.117 향상되었으며, Chung 등(2021)의 방법을 뛰어넘었다.
• 불확실성 맵은 20개의 샘플에 대해 픽셀 단위 표준편차를 계산하여 도출되었으며, 가속도 요소가 높을수록 증가하여 재구성의 모호성이 커지는 것을 반영한다.
• 단지 250개의 샘플링 스텝만으로도 PSNR가 전체 1000단계 기준선과 유사하게 유지되어, 추론 시간을 줄여도 안정성이 높음을 시사한다.
• 샘플 수를 늘일수록 평균 재구성 품질이 향상되었으며, 약 20개 샘플에서 수렴이 관찰되어 품질과 효율성 사이의 실용적 트레이드오프를 제안한다.