[논문 리뷰] Unsupervised Denoising of Diffusion-Weighted Images with Bias and Variance Corrected Noise Modeling

Jine Xie, Zhicheng Zhang외 3명|arXiv (Cornell University)|2026. 02. 22.

Advanced Neuroimaging Techniques and Applications인용 수 0

한 줄 요약

저자들은 Diffusion MRI에서 Rician 노이즈를 명시적으로 모델링하는 두 개의 비지도 손실 함수를 Deep Image Prior 프레임워크 내에 제안하여 바이어스와 이질적 분산을 보정하고 노이즈 제거 및 확산 지표를 향상시킨다.

ABSTRACT

Diffusion magnetic resonance imaging (dMRI) plays a vital role in both clinical diagnostics and neuroscience research. However, its inherently low signal-to-noise ratio (SNR), especially under high diffusion weighting, significantly degrades image quality and impairs downstream analysis. Recent self-supervised and unsupervised denoising methods offer a practical solution by enhancing image quality without requiring clean references. However, most of these methods do not explicitly account for the non-Gaussian noise characteristics commonly present in dMRI magnitude data during the supervised learning process, potentially leading to systematic bias and heteroscedastic variance, particularly under low-SNR conditions. To overcome this limitation, we introduce noise-corrected training objectives that explicitly model Rician statistics. Specifically, we propose two alternative loss functions: one derived from the first-order moment to remove mean bias, and another from the second-order moment to correct squared-signal bias. Both losses include adaptive weighting to account for variance heterogeneity and can be used without changing the network architecture. These objectives are instantiated in an image-specific, unsupervised Deep Image Prior (DIP) framework. Comprehensive experiments on simulated and in-vivo dMRI show that the proposed losses effectively reduce Rician bias and suppress noise fluctuations, yielding higher image quality and more reliable diffusion metrics than state-of-the-art denoising baselines. These results underscore the importance of bias- and variance-aware noise modeling for robust dMRI analysis under low-SNR conditions.

연구 동기 및 목표

• 저 SNR에서 Rician 바이어스와 분산이 중요한 확산 가중 MRI의 노이즈 제거를 동기화한다.
• Magnitude dMRI를 위한 첫 모멘트 및 두 번째 모멘트 통계 기반의 바이어스 및 분산 보정 손실 함수 두 가지를 도입한다.
• 대규모 학습 데이터 없이 제안된 손실을 검증하기 위해 비지도 Deep Image Prior 프레임워크를 활용한다.
• 시뮬레이션 및 in-vivo 데이터에서 최첨단 baselines 대비 향상된 이미지 품질과 확산 매개변수 신뢰성을 보여준다.

제안 방법

• 적응적 가중치를 포함하는 first-moment 및 second-moment 노이즈 보정 손실을 정의한다.
• 손실에서 복셀 간 분산을 정규화하기 위한 첫 모멘트와 그 분산을 이용하여 DIP-M1-W1을 구성한다.
• 손실에서 복셀 간 분산을 정규화하기 위한 두 번째 모멘트와 그 분산을 이용하여 DIP-M2-W2를 구성한다.
• DIP 프레임워크 내에서 3D U-Net에 이 방법을 구현하여 4D dMRI 데이터를 노이즈 제거한다.
• 공정한 평가를 위해 MPPCA, Patch2Self, DDM2, Replace2Self를 Rician 바이어스 보정과 함께 비교한다.

실험 결과

연구 질문

• RQ1 비지도 DIP 프레임워크 내에서 magnitude dMRI의 Rician 바이어스와 이질적 분산 노이즈를 효과적으로 보정할 수 있는가?
• RQ2 첫 모멘트 및 두 번째 모멘트 기반의 노이즈 보정 손실이 최신 방법에 비해 노이즈 제거 품질과 확산 지표 신뢰성을 향상시키는가?
• RQ3 제안된 손실이 비균일하고 복셀 단위로 변화하는 노이즈 조건에서 어떻게 작동하는가?
• RQ4 바이어스 및 분산 인식 손실이 미세 구조 세부 정보를 보존하고 해상도 간에 안정적인 확산 지표를 산출하는가?

주요 결과

• DIP-M1-W1 및 DIP-M2-W2는 시뮬레이션 데이터에서 베이스라인보다 Rician 바이어스를 감소시키고 노이즈 변동을 더 효과적으로 억제한다.
• 제안된 손실은 복원된 이미지에서 더 높은 PSNR 및 SSIM을, FA 및 MD 맵에서 더 높은 SSIM과 함께 더 낮은 RMSE를 얻는다.
• 비균일 노이즈 하에서 이 방법들은 영상 품질과 확산 지표 정확도 모두에서 일관되게 경쟁자들을 능가한다.
• in-vivo 결과는 해상도에 걸쳐 견고한 노이즈 제거를 보여주고 구조적 세부 정보 보존과 확산 지표 안정성(FA의 COV 감소)을 더 잘 보인다.
• 이 방법은 노이즈 제거 과정에 바이어스 보정을 통합하여 다단계 베이스라인에서 관찰되는 오차 누적을 피한다.