[논문 리뷰] Parallel Diffusion Model-based Sparse-view Cone-beam Breast CT

Wenjun Xia, Tseng, Hsin Wu외 7명|arXiv (Cornell University)|2023. 03. 22.

Medical Imaging Techniques and Applications인용 수 4

한 줄 요약

이 논문은 투과 영역과 영상 영역에서 별도로 훈련된 Denoising Diffusion Probabilistic Models (DDPMs)를 병렬로 사용하는 병렬 이중 도메인 확산 모델 프레임워크를 제안하여 희박한 시야의 원추형 breast CT 재구성에 활용한다. 이 방법은 표준 방사선 선량의 1/2에서 1/3 수준으로 선량을 감소시키면서도 진단에 적합한 고품질의 3D 유방 CT 영상을 확보한다.

ABSTRACT

Breast cancer is the most prevalent cancer among women worldwide, and early detection is crucial for reducing its mortality rate and improving quality of life. Dedicated breast computed tomography (CT) scanners offer better image quality than mammography and tomosynthesis in general but at higher radiation dose. To enable breast CT for cancer screening, the challenge is to minimize the radiation dose without compromising image quality, according to the ALARA principle (as low as reasonably achievable). Over the past years, deep learning has shown remarkable successes in various tasks, including low-dose CT especially few-view CT. Currently, the diffusion model presents the state of the art for CT reconstruction. To develop the first diffusion model-based breast CT reconstruction method, here we report innovations to address the large memory requirement for breast cone-beam CT reconstruction and high computational cost of the diffusion model. Specifically, in this study we transform the cutting-edge Denoising Diffusion Probabilistic Model (DDPM) into a parallel framework for sub-volume-based sparse-view breast CT image reconstruction in projection and image domains. This novel approach involves the concurrent training of two distinct DDPM models dedicated to processing projection and image data synergistically in the dual domains. Our experimental findings reveal that this method delivers competitive reconstruction performance at half to one-third of the standard radiation doses. This advancement demonstrates an exciting potential of diffusion-type models for volumetric breast reconstruction at high-resolution with much-reduced radiation dose and as such hopefully redefines breast cancer screening and diagnosis.

연구 동기 및 목표

• 전용 유방 CT에서의 높은 방사선 선량 문제를 해결하기 위해 저선량 스캔을 가능하게 하면서도 영상 품질을 유지하고자 한다.
• 부피 유방 CT 재구성에서 확산 모델의 큰 메모리 및 계산 비용 문제를 해결하고자 한다.
• 대규모 3D 데이터셋에서 효율적인 훈련과 추론을 가능하게 하는 병렬, 부분체 기반 프레임워크를 개발하고자 한다.
• 투과 영역과 영상 영역에서 모두 확산 모델을 통합하여 상호보완적인 재구성 성능을 확보하고자 한다.
• 실제 희박한 시야의 원추형 유방 CT 데이터를 활용해 감소된 선량 수준에서 방법의 유효성을 검증하고자 한다.

제안 방법

• 투과 영역과 영상 영역에서 병행 처리할 수 있도록 두 개의 별도 DDPM을 훈련하는 병렬 이중 도메인 파이프라인을 설계하였다.
• 3D 투과 영역과 영상 영역 볼륨을 겹치지 않는 16×16×16 부분체로 분할하여 병렬 처리를 수행하였다.
• DDPM-P는 U-Net 기반 아키텍처를 사용하여 1,000단계의 확산 과정과 선형 beta 스케줄을 적용해 희박한 시야의 투과 영역에서 누락된 데이터를 복원한다.
• 투과 영역에서 부분체 인painting을 완료한 후, 전체 데이터셋은 FDK 알고리즘을 사용해 재구성한다.
• DDPM-I는 저품질과 고품질 영상 부분체의 쌍을 기반으로 학습하여 FDK 재구성 영상 볼륨의 품질을 향상시킨다.
• 전체 파이프라인은 데이터 브로드캐스트와 집합 처리를 활용한 분산 컴퓨팅을 적용하여 GPU 클러스터에서 효율적인 추론을 가능하게 하였다.

실험 결과

연구 질문

• RQ1 병렬 이중 도메인 확산 모델 프레임워크는 희박한 시야의 원추형 투과 영역에서 고품질의 3D 유방 CT 영상을 효과적으로 재구성할 수 있는가?
• RQ2 제안된 병렬 부분체 처리 전략은 확산 기반 CT 재구성에서 메모리 및 계산 비용을 어떻게 감소시키는가?
• RQ3 이중 도메인 DDPM 접근 방식은 표준 방사선 선량의 1/2에서 1/3 수준에서 얼마나 높은 영상 품질을 유지할 수 있는가?
• RQ4 투과 영역과 영상 영역의 DDPM 간 상호보완적 상호작용은 단일 도메인 또는 전통적 방법에 비해 재구성 정밀도를 얼마나 향상시키는가?
• RQ5 이 방법은 GPU 기반 클러스터에서 효율적으로 구현되어 임상 규모의 재구성에 적용될 수 있는가?

주요 결과

• 실제 원추형 유방 CT 데이터를 대상으로 검증한 결과, 제안된 방법은 표준 선량의 1/2에서 1/3 수준에서 경쟁 가능한 영상 재구성 품질을 확보하였다.
• 병렬 부분체 처리 전략은 메모리 요구량을 크게 감소시키며, 대규모 3D 데이터셋에서의 효율적인 훈련과 추론을 가능하게 하였다.
• 이중 도메인 DDPM 프레임워크는 특히 희박한 시야 데이터에서 노이즈와 아티팩트를 줄이는 데 있어 기존의 FDK 재구성 방식보다 뛰어난 영상 품질을 확보하였다.
• 투과 영역과 영상 영역에 별도의 DDPM을 사용함으로써 상호보완적 정제 기능을 실현하였으며, DDPM-I는 FDK 재구성 영상의 품질을 효과적으로 향상시켰다.
• 1,576개의 V100 GPU를 사용한 AiMOS GPU 클러스터에서 성공적으로 훈련 및 테스트를 수행하여 확장성과 계산 가능성의 타당성을 입증하였다.
• 이 프레임워크는 클라우드 컴퓨팅 플랫폼에서도 배포 가능하며, 향후 저선량 유방암 스크리닝을 위한 임상 통합을 지원할 수 있다.