[논문 리뷰] One Sample Diffusion Model in Projection Domain for Low-Dose CT Imaging

Bin Huang, Liu Zhang외 4명|arXiv (Cornell University)|2022. 12. 07.

Radiomics and Machine Learning in Medical Imaging인용 수 5

한 줄 요약

이 논문은 단일 프로젝션 스냅샷에서 풍부한 사전 지식을 추출하기 위해 헨켈 행렬 공식을 활용하고, 점수 기반 생성 모델링과 데이터 일致성 및 총 변동성 정규화를 결합하여 저선량 CT 재구성에 대한 완전히 비지도(one-sample) 확산 모델(осdm)을 제안한다. 이 방법은 낮은 잡음과 고화질의 재구성 이미지를 달성하여 정상 선량 이미지에 가까운 성능을 보인다.

ABSTRACT

Low-dose computed tomography (CT) plays a significant role in reducing the radiation risk in clinical applications. However, lowering the radiation dose will significantly degrade the image quality. With the rapid development and wide application of deep learning, it has brought new directions for the development of low-dose CT imaging algorithms. Therefore, we propose a fully unsupervised one sample diffusion model (OSDM)in projection domain for low-dose CT reconstruction. To extract sufficient prior information from single sample, the Hankel matrix formulation is employed. Besides, the penalized weighted least-squares and total variation are introduced to achieve superior image quality. Specifically, we first train a score-based generative model on one sinogram by extracting a great number of tensors from the structural-Hankel matrix as the network input to capture prior distribution. Then, at the inference stage, the stochastic differential equation solver and data consistency step are performed iteratively to obtain the sinogram data. Finally, the final image is obtained through the filtered back-projection algorithm. The reconstructed results are approaching to the normal-dose counterparts. The results prove that OSDM is practical and effective model for reducing the artifacts and preserving the image quality.

연구 동기 및 목표

• 단일 정상 선량 스냅샷만 이용 가능한 상황에서 최소한의 감독 하에 저선량 CT 재구성 문제를 해결하는 것.
• 단일 저선량 CT 프로젝션 데이터셋으로부터 의미 있는 이미지 사전 지식을 학습할 수 있는 완전히 비지도 방법을 개발하는 것.
• 저선량 CT 재구성에서 잡음과 미세한 구조를 잘 유지하면서 잡음과 기하학적 기형을 줄이는 것을 통해 이미지 품질을 향상시키는 것.
• 임상 환경에서 자주 실현 불가능한 대규모 쌍체 학습 데이터를 요구하지 않으며 효과적인 재구성을 가능하게 하는 것.

제안 방법

• 단일 스냅샷에서 풍부한 텐서를 추출하기 위해 헨켈 행렬 공식을 활용하여 제한된 데이터로부터 풍부한 사전 지식을 학습하는 데 사용된다.
• 이러한 텐서들에 대해 점수 기반 생성 모델을 학습하여 프로젝션 데이터의 기저 분포를 학습한다.
• 추론 단계에서 확률적 미분 방정식 해법이 측정된 프로젝션 데이터와의 데이터 일치 조건을 유지하면서 저선량 스냅샷을 반복적으로 노이즈 제거한다.
• 재구성 정밀도 향상과 노이즈 감소를 위해 총 변동성과 가중 최소 제곱 정규화를 통합한다.
• 정제된 스냅샷을 바탕으로 필터링 백프로젝션을 통해 최종 이미지를 재구성한다.
• 전체 프레임워크는 영역 최적화나 쌍체 데이터가 필요 없이 완전히 프로젝션 도메인에서 작동한다.

실험 결과

연구 질문

• RQ1 대규모 쌍체 학습 데이터가 필요 없이 단일 스냅샷에서 확산 모델이 효과적으로 이미지 사전 지식을 학습할 수 있는가?
• RQ2 단일 정상 선량 스냅샷에서 학습된 점수 기반 생성 모델이 저선량 프로젝션에서 고화질 이미지를 얼마나 잘 재구성할 수 있는가?
• RQ3 데이터 일치성과 총 변동성의 통합이 프로젝션 도메인에서 재구성 품질에 얼마나 기여하는가?
• RQ4 제안된 일샘플 확산 모델이 기존의 비지도 또는 약한 지도 학습 기반 저선량 CT 재구성 방법보다 우수한 성능을 보일 수 있는가?

주요 결과

• 제안된 OSDM는 정상 선량 CT 이미지에 가까운 재구성 품질을 달성하여 스트레이프 잡음과 노이즈 기형을 크게 감소시켰다.
• 헨켈 행렬 기반 텐서 추출 기법을 통해 단일 스냅샷에서 효과적인 사전 지식 학습이 가능해져 모델의 일반화 능력이 향상되었다.
• 데이터 일치성과 총 변동성 정규화의 통합은 재구성 이미지의 구조 유지 및 노이즈 억제에 기여하여 품질을 향상시켰다.
• 정성적 및 정량적 평가에서 뛰어난 성능을 보였으며, 훈련에 단일 샘플만 사용했음에도 불구하고 최신 기술과 경쟁 가능한 결과를 도출했다.