[논문 리뷰] Self-Score: Self-Supervised Learning on Score-Based Models for MRI Reconstruction

Zhuo‐Xu Cui, Chentao Cao외 6명|arXiv (Cornell University)|2022. 09. 02.

Advanced Neuroimaging Techniques and Applications인용 수 16

한 줄 요약

이 논문은 베이지안 딥 러닝과 스코어 매칭을 사용하여 과도하게 샘플링된 k-스페이스 데이터에서만 훈련하여 완전히 샘플링된 MR 이미지의 사전 분포를 학습하는 자기지도 학습 스코어 기반 확산 모델인 Self-Score를 제안한다. 이는 완전히 지도 학습된 스코어 기반 방법과 유사한 재구성 성능를 달성하며, 완전히 샘플링된 훈련 데이터가 필요로 하지 않는다.

ABSTRACT

Recently, score-based diffusion models have shown satisfactory performance in MRI reconstruction. Most of these methods require a large amount of fully sampled MRI data as a training set, which, sometimes, is difficult to acquire in practice. This paper proposes a fully-sampled-data-free score-based diffusion model for MRI reconstruction, which learns the fully sampled MR image prior in a self-supervised manner on undersampled data. Specifically, we first infer the fully sampled MR image distribution from the undersampled data by Bayesian deep learning, then perturb the data distribution and approximate their probability density gradient by training a score function. Leveraging the learned score function as a prior, we can reconstruct the MR image by performing conditioned Langevin Markov chain Monte Carlo (MCMC) sampling. Experiments on the public dataset show that the proposed method outperforms existing self-supervised MRI reconstruction methods and achieves comparable performances with the conventional (fully sampled data trained) score-based diffusion methods.

연구 동기 및 목표

• 스코어 기반 확산 모델을 훈련하기 위해 완전히 샘플링된 MRI 데이터에 접근이 제한된 문제를 해결하기 위해.
• 완전히 샘플링된 MR 이미지의 사전 분포를 오직 과도하게 샘플링된 k-스페이스 데이터에서만 학습하는 자기지도 학습 프레임워크를 개발하기 위해.
• 완전히 샘플링된 데이터 없이도 다양한 샘플링 트랙토리에서 높은 재구성 정확도와 일반화 능력을 유지하기 위해.
• 특정 조건 하에서 과도하게 샘플링된 데이터로부터 스코어 함수를 추정할 수 있는 이론적 근거를 제공하기 위해.

제안 방법

• 베이지안 딥 러닝을 사용하여 과도하게 샘플링된 k-스페이스 데이터로부터 완전히 샘플링된 MR 이미지의 분포를 추론한다.
• 추론된 분포에서 스코어 함수(로그 밀도 함수의 기울기)를 스코어 매칭을 통해 추정한다.
• 학습된 스코어 함수는 과도하게 샘플링된 데이터로부터 MR 이미지를 재구성하기 위한 조건부 랑주르 매크로몬티카를 위한 사전 분포로 작용한다.
• 완전히 샘플링된 이미지의 사후 분포를 근사하기 위해 변분 추론 프레임워크를 활용한다.
• 왜곡된 과도하게 샘플링된 데이터 분포에서 노이즈 제거 스코어 매칭 목적함수를 사용하여 스코어 함수를 엔드 투 엔드로 훈련한다.
• 재구성 과정은 과도하게 샘플링된 k-스페이스 측정값에 조건부로 작동하는 반복적 랑주르 다이내믹스 샘플링을 수행하며, 학습된 스코어 함수에 의해 안내된다.

실험 결과

연구 질문

• RQ1 완전히 샘플링된 훈련 데이터 없이도 스코어 기반 확산 모델이 고해상도의 사전 분포를 학습할 수 있는가?
• RQ2 과도하게 샘플링된 k-스페이스 데이터만으로 완전히 샘플링된 MR 이미지 분포의 스코어를 정확하게 추정할 수 있는가?
• RQ3 제안된 자기지도 학습 방법의 일반화 성능는 다양한 샘플링 트랙토리와 데이터 이동 상황에서 어떻게 비교되는가?
• RQ4 자기지도 학습 스코어 기반 모델은 완전히 지도 학습된 스코어 기반 확산 모델과 유사한 재구성 품질을 달성할 수 있는가?

주요 결과

• 제안된 Self-Score 방법은 완전히 샘플링된 데이터 없이도 공개 데이터셋에서 완전히 지도 학습된 스코어 기반 확산 모델과 유사한 MRI 재구성 성능를 달성한다.
• 재구성 정확도와 다양한 샘플링 트랙토리에서의 일반화 능력 측면에서 기존의 자기지도 학습 MRI 재구성 방법들을 초월한다.
• 가속도 요소나 k-스페이스 샘플링 패턴의 변화와 같은 데이터 이동 상황에서도 강력한 성능 유지를 보이며, 뛰어난 일반화 능력을 입증한다.
• 이론적 분석을 통해 미약한 조건 하에서 과도하게 샘플링된 데이터로부터 완전히 샘플링된 이미지 분포의 스코어 함수를 일관되게 추정할 수 있음을 보여주며, 이는 방법의 타당성에 기초를 제공한다.
• 실증 결과는 자기지도 학습 스코어 기반 사전 분포가 제한된 지도 정보 조건 하에서도 랑주르 매크로몬티카 샘플링을 통해 고품질의 이미지 생성을 가능하게 함을 확인한다.