[论文解读] Measurement-conditioned Denoising Diffusion Probabilistic Model for Under-sampled Medical Image Reconstruction
本文提出测量条件化去噪扩散概率模型（MC-DDPM），一种新颖的欠采样医学图像重建方法，直接在测量域（如磁共振成像中的k空间）中运行，并将扩散过程基于欠采样掩码进行条件化。通过在测量空间中定义扩散与反向过程，MC-DDPM天然地实现了数据一致性，并可通过多次重建实现不确定性量化，在加速磁共振成像数据集上的定性和定量指标上均优于当前最先进方法。
We propose a novel and unified method, measurement-conditioned denoising diffusion probabilistic model (MC-DDPM), for under-sampled medical image reconstruction based on DDPM. Different from previous works, MC-DDPM is defined in measurement domain (e.g. k-space in MRI reconstruction) and conditioned on under-sampling mask. We apply this method to accelerate MRI reconstruction and the experimental results show excellent performance, outperforming full supervision baseline and the state-of-the-art score-based reconstruction method. Due to its generative nature, MC-DDPM can also quantify the uncertainty of reconstruction. Our code is available on github.
研究动机与目标
- 为解决医学图像欠采样重建的挑战，特别是在磁共振成像中，加速采集虽可缩短扫描时间，但会降低图像质量。
- 开发一种统一的生成式框架，天然地整合数据一致性约束，而无需后续处理。
- 通过从相同测量数据中生成多个合理重建结果，实现在图像重建中的不确定性量化。
- 在欠采样成像场景下，提升重建质量，超越监督基线方法和基于分数的生成模型。
提出的方法
- 该方法在测量域（如k空间）而非图像域中定义扩散过程，从而可直接对欠采样数据进行建模。
- 其将反向扩散过程基于欠采样掩码进行条件化，确保生成样本在设计上与实际采集的测量数据一致。
- 模型采用去噪扩散概率框架，结合学习到的高斯转移过程，逐步从测量空间中去除噪声以重建图像。
- 反向过程被训练为从噪声中生成未采样k空间，条件于欠采样模式，从而将数据一致性嵌入模型架构中。
- 从相同测量数据中采样多个重建结果，通过样本间方差实现不确定性估计。
- 该方法采用变分推理目标进行端到端训练，以最小化真实后验与模型后验之间的反向KL散度。
实验结果
研究问题
- RQ1在测量域中基于欠采样掩码条件化扩散模型，是否能实现优于现有方法的重建质量？
- RQ2是否可直接在测量空间中对扩散过程进行条件化，从而天然地实现数据一致性，而无需外部数据一致性层？
- RQ3模型的生成特性是否可通过同一组欠采样数据的多次重建，提供有意义的不确定性估计？
- RQ4MC-DDPM在加速磁共振成像重建中的性能，与监督学习基线方法和基于分数的生成模型相比如何？
主要发现
- 在PD数据集上，MC-DDPM在4倍加速下，相比U-Net基线和Chung等人（2021）提出的最先进基于分数的方法，PSNR提升3.68 dB，SSIM提升0.079。
- 在8倍加速下，MC-DDPM相比U-Net在PSNR上提升3.97 dB，SSIM提升0.117，超越Chung等人（2021）的方法。
- 不确定性图（基于20次采样结果的像素级标准差）随加速因子增加而增大，反映出重建模糊性的增长。
- 即使仅使用250次采样步数，PSNR仍接近1000步完整基线，表明对推理时间减少具有鲁棒性。
- 增加采样数量可提升平均重建质量，约20个样本后即达到收敛，表明在质量与效率之间存在实际权衡。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。