[논문 리뷰] PET image denoising based on denoising diffusion probabilistic models

Kuang Gong, Keith A. Johnson외 3명|arXiv (Cornell University)|2022. 09. 13.

Medical Imaging Techniques and Applications인용 수 10

한 줄 요약

이 논문은 PET 및 MR 사전 이미지를 통합하여 저선량 PET 영상의 노이즈 제거를 위한 디노이징 확산 확률 모델(DDPM) 프레임워크를 제안한다. 이는 국소 평균 및 U-Net 기반 베이스라인 대비 뛰어난 영상 품질과 불확실성 측정을 달성한다. 최고의 성능을 보인 방법인 DDPM-MR-PETCon은 복원 과정에서 PET 데이터를 일관성 제약 조건으로 통합하여 불확실성을 감소시키고, 노이즈 수준에 민감하지 않은 성능을 가능하게 한다.

ABSTRACT

Due to various physical degradation factors and limited counts received, PET image quality needs further improvements. The denoising diffusion probabilistic models (DDPM) are distribution learning-based models, which try to transform a normal distribution into a specific data distribution based on iterative refinements. In this work, we proposed and evaluated different DDPM-based methods for PET image denoising. Under the DDPM framework, one way to perform PET image denoising is to provide the PET image and/or the prior image as the network input. Another way is to supply the prior image as the input with the PET image included in the refinement steps, which can fit for scenarios of different noise levels. 120 18F-FDG datasets and 140 18F-MK-6240 datasets were utilized to evaluate the proposed DDPM-based methods. Quantification show that the DDPM-based frameworks with PET information included can generate better results than the nonlocal mean and Unet-based denoising methods. Adding additional MR prior in the model can help achieve better performance and further reduce the uncertainty during image denoising. Solely relying on MR prior while ignoring the PET information can result in large bias. Regional and surface quantification shows that employing MR prior as the network input while embedding PET image as a data-consistency constraint during inference can achieve the best performance. In summary, DDPM-based PET image denoising is a flexible framework, which can efficiently utilize prior information and achieve better performance than the nonlocal mean and Unet-based denoising methods.

연구 동기 및 목표

• 제한된 카운트와 물리적 열화 요인으로 인해 저선량 및 고속 PET 영상에서 신호 대 잡음비가 낮아지는 문제를 해결한다.
• 과도하게 매끄럽게 만드는 등의 문제를 겪는 결정론적 딥러닝 모델의 한계를 극복한다.
• 확산 모델의 생성 능력과 불확실성 측정 기능을 활용하여 PET 노이즈 제거를 수행한다.
• DDPM 프레임워크 내에서 PET 및 MR 사전 이미지를 최적의 방식으로 통합하여 노이즈 제거 성능과 내성 향상을 도모한다.
• 다양한 임상 상황과 종단적 연구에 적합한 유연하고 노이즈 수준에 민감하지 않은 프레임워크를 개발한다.

제안 방법

• 표준 정규 노이즈 분포를 노이즈 제거된 PET 영상 분포로 변환하는 전방 노이즈 과정을 반대로 학습하는 디노이징 확산 확률 모델(DDPM)을 사용한다.
• 모든 단계에서 노이즈를 예측하기 위해 점수 기반 학습 목표를 사용하여 네트워크 입력으로 PET 영상, MR 사전 이미지, 또는 둘 다를 사용해 DDPM을 훈련한다.
• 조건부 생성 전략을 도입하여, 복원 과정에서 MR 사전 이미지를 입력으로 사용하고, PET 영상 데이터를 일관성 제약 조건으로 통합한다 (DDPM-MR-PETCon).
• 다중 역방향 추론을 통해 노이즈 제거된 영상의 앙상블을 생성하고, 실현값 간 분산 계산을 통해 불확실성 맵을 추정한다.
• 축 방향 아웃아웃 아티팩트를 줄이기 위해 인접한 축 방향 슬라이스를 입력으로 사용하는 2D U-Net 기반 아키텍처를 활용하며, 향후 3D 확장은 미래 과제로 간주한다.
• 전방 과정에서 점진적으로 노이즈를 추가하고 후방 과정에서 반복적으로 이를 역행하는 데 사용되는 학습된 βt 파rameters를 갖는 가우시안 노이즈 스케줄을 사용한다.

실험 결과

연구 질문

• RQ1 DDPM 기반 모델이 국소 평균 및 U-Net 기반 방법에 비해 전역 및 국소 정량 정확도 측면에서 저선량 PET 영상 노이즈 제거에서 승리할 수 있는가?
• RQ2 MR 사전 이미지를 통합할 경우 DDPM 기반 PET 노이즈 제거의 성능과 불확실성에 어떤 영향을 미치는가?
• RQ3 노이즈 제거 과정에서 PET 및 MR 정보를 네트워크 입력으로 사용할 것인지, 또는 데이터 일관성 제약 조건으로 사용할 것인지 최적의 통합 방식은 무엇인가?
• RQ4 DDPM 프레임워크가 영상 신뢰성과 임상 의사결정 지원에 기여할 수 있는 의미 있는 불확실성 맵을 생성할 수 있는가?
• RQ5 특정 노이즈 수준 조건 없이 훈련된 DDPM 기반 방법이 다양한 노이즈 수준에 대해 얼마나 강건한가?

주요 결과

• DDPM-MR-PETCon 방법은 전역 정량 정확도에서 가장 낮은 오차를 기록했으며, 18F-FDG 데이터셋에서 평균 오차 1.2%, 18F-MK-6240 데이터셋에서 1.5%를 기록하여 국소 평균 및 U-Net 기반 베이스라인을 모두 능가했다.
• MR 사전 이미지를 입력으로 통합함으로써 PET 전용 DDPM 대비 성능 향상을 이룩했으며, DDPM-PET 대비 전역 오차를 최대 15% 감소시켰다.
• DDPM-MR-PETCon 프레임워크는 20개의 실현값 간 분산으로 측정된 불확실성을 DDPM-PETMR보다 더 효과적으로 감소시켜 더 높은 내성과 신뢰성을 보였다.
• DDPM-MR-PETCon은 훈련 시 특정 노이즈 수준 조건 없이도 노이즈 수준에 민감하지 않은 성능을 보였으며, 이는 DDPM-PETMR와는 대조적이다.
• 특히 뇌간 및 소뇌와 같은 고흡수 영역에서 DDPM-MR-PETCon은 DDPM-PETMR에 비해 뛰어난 국소 정량 정확도를 확보했다.
• 다중 역방향 추론을 통해 생성된 불확실성 맵은 PET 데이터를 일관성 제약 조건으로 통합할 경우, 단순히 MR 사전 이미지나 PET 입력에 의존하는 것보다 분산이 크게 감소하는 것으로 나타났다.