[论文解读] Diffusion Probabilistic Priors for Zero-Shot Low-Dose CT Image Denoising

Xuan Liu, Yaoqin Xie+4 more|arXiv (Cornell University)|May 25, 2023

Medical Imaging Techniques and Applications被引用 5

一句话总结

该论文提出 Dn-Dp，一种用于低剂量 CT 图像去噪的零样本无监督方法，利用预训练的级联扩散概率模型作为先验。通过将低剂量 CT 图像整合到反向扩散过程中，并采用自适应加权的迭代最大后验概率（MAP）问题求解，该方法在无需任何成对或低剂量训练数据的情况下，实现了最先进性能。

ABSTRACT

Denoising low-dose computed tomography (CT) images is a critical task in medical image computing. Supervised deep learning-based approaches have made significant advancements in this area in recent years. However, these methods typically require pairs of low-dose and normal-dose CT images for training, which are challenging to obtain in clinical settings. Existing unsupervised deep learning-based methods often require training with a large number of low-dose CT images or rely on specially designed data acquisition processes to obtain training data. To address these limitations, we propose a novel unsupervised method that only utilizes normal-dose CT images during training, enabling zero-shot denoising of low-dose CT images. Our method leverages the diffusion model, a powerful generative model. We begin by training a cascaded unconditional diffusion model capable of generating high-quality normal-dose CT images from low-resolution to high-resolution. The cascaded architecture makes the training of high-resolution diffusion models more feasible. Subsequently, we introduce low-dose CT images into the reverse process of the diffusion model as likelihood, combined with the priors provided by the diffusion model and iteratively solve multiple maximum a posteriori (MAP) problems to achieve denoising. Additionally, we propose methods to adaptively adjust the coefficients that balance the likelihood and prior in MAP estimations, allowing for adaptation to different noise levels in low-dose CT images. We test our method on low-dose CT datasets of different regions with varying dose levels. The results demonstrate that our method outperforms the state-of-the-art unsupervised method and surpasses several supervised deep learning-based methods. Codes are available in https://github.com/DeepXuan/Dn-Dp.

研究动机与目标

• 解决临床环境中成对低剂量与正常剂量 CT 图像获取受限的挑战。
• 开发一种在训练过程中无需任何低剂量 CT 图像的无监督去噪方法。
• 利用扩散模型的生成先验，实现低剂量 CT 扫描的零样本去噪。
• 在 MAP 估计中自适应平衡似然项与先验项，以实现对不同噪声水平的鲁棒性能。
• 在保留关键解剖结构（如结节和骨轮廓）的同时实现高保真度去噪。

提出的方法

• 在正常剂量 CT 图像上训练级联无条件扩散模型，从低分辨率到高分辨率生成高分辨率图像。
• 将低剂量 CT 图像作为似然约束整合到反向扩散过程中，以指导去噪。
• 通过平衡输入低剂量图像的似然性和扩散模型的先验，执行迭代最大后验概率（MAP）估计。
• 引入自适应系数调整 λ 参数，根据噪声水平动态平衡似然项与先验项。
• 支持从中间阶段恢复去噪过程，并使用优化后的 λ 值以提高精度。
• 采用级联架构以稳定训练过程，并提升高分辨率 CT 图像的生成质量。

实验结果

研究问题

• RQ1 仅在正常剂量 CT 图像上预训练的扩散模型，能否作为零样本去噪低剂量 CT 图像的强大先验？
• RQ2 如何有效将低剂量 CT 输入的似然性整合到反向扩散过程中以指导去噪？
• RQ3 自适应 λ 系数能否在无需标注数据的情况下提升对不同剂量水平的鲁棒性？
• RQ4 级联扩散架构能否实现稳定且高质量的高分辨率 CT 图像生成，以支持去噪？
• RQ5 该方法能否在保留结节和骨骼结构等细微解剖细节方面，优于现有无监督或监督基线方法？

主要发现

• 所提出的 Dn-Dp 方法在多个数据集上均优于当前最先进的无监督低剂量 CT 去噪方法。
• 在 25% 剂量腹部 CT 扫描中，Dn-Dp 的 PSNR 和 SSIM 均高于多种监督深度学习方法。
• 与 BM3D、NLM 和 LIR-IR 相比，该方法能更好地保留关键解剖结构（如非钙化肺结节），避免产生模糊。
• 自适应 λ 调整使模型在无需微调的情况下，对不同噪声水平均保持一致性能。
• 由于采用 29 步反向过程（从 2000 步加速），推理时间较长，使用 RTX 3090 在 512×512 分辨率下每张图像耗时 5.83 秒。
• 尽管模型参数量较大（最高达 5.49G），但该方法在视觉和定量指标上均表现优异，尤其在保留边缘细节和低对比度结构方面优势显著。