[论文解读] DDM$^2$: Self-Supervised Diffusion MRI Denoising with Generative Diffusion Models

Tiange Xiang, Mahmut Yurt+3 more|arXiv (Cornell University)|Feb 6, 2023

Advanced Neuroimaging Techniques and Applications被引用 17

一句话总结

DDM2 引入一个三阶段自监督扩散基框架，用于去噪扩散MRI，将嘈杂输入表示为中间扩散状态，并在没有真值数据的情况下实现了最先进的去噪。

ABSTRACT

Magnetic resonance imaging (MRI) is a common and life-saving medical imaging technique. However, acquiring high signal-to-noise ratio MRI scans requires long scan times, resulting in increased costs and patient discomfort, and decreased throughput. Thus, there is great interest in denoising MRI scans, especially for the subtype of diffusion MRI scans that are severely SNR-limited. While most prior MRI denoising methods are supervised in nature, acquiring supervised training datasets for the multitude of anatomies, MRI scanners, and scan parameters proves impractical. Here, we propose Denoising Diffusion Models for Denoising Diffusion MRI (DDM$^2$), a self-supervised denoising method for MRI denoising using diffusion denoising generative models. Our three-stage framework integrates statistic-based denoising theory into diffusion models and performs denoising through conditional generation. During inference, we represent input noisy measurements as a sample from an intermediate posterior distribution within the diffusion Markov chain. We conduct experiments on 4 real-world in-vivo diffusion MRI datasets and show that our DDM$^2$ demonstrates superior denoising performances ascertained with clinically-relevant visual qualitative and quantitative metrics.

研究动机与目标

• 说明在不同解剖结构、扫描仪和扫描协议下，无需成对真值数据，仍需有效去噪扩散MRI的原因与必要性。
• 开发一种将统计去噪与扩散模型相结合的自监督去噪框架。
• 通过将嘈杂输入表示为扩散马尔可夫链中间状态的样本来实现去噪。
• 在真实世界的扩散MRI数据集上演示跨数据集的泛化能力。
• 提供开源实现以提高可重复性和临床相关性。

提出的方法

• 阶段I 学习一个逐切片去噪函数，以从有限的输入体积中估计初始噪声分布。
• 阶段II 将高斯噪声模型拟合到估计的残差上，并使其标准差与扩散计划匹配，从而将输入定位为中间扩散状态。
• 阶段III 训练一个基于扩散的反向过程，进行两项关键修改（噪声打乱和 J-Invariance 损失），以在没有真值监督的情况下生成清洁近似。

实验结果

研究问题

• RQ1 在没有成对清洁图像的情况下，如何对无监督扩散模型进行条件化，使其基于嘈杂的扩散MRI测量输出去噪结果？
• RQ2 以何种方式学习并对齐数据驱动的噪声模型与扩散采样计划，以识别用于条件生成的中间状态？
• RQ3 在多样的数据集上，三阶段自监督扩散去噪方法是否优于现有的有监督和自监督MRI去噪方法？

主要发现

• 在四个真实世界的扩散MRI数据集上，DDM2 相对于最先进方法实现了更优的去噪性能。
• 与竞争方法相比，DDM2 在所评估的数据上实现了统计显著的信噪比（SNR）和对比噪声比（CNR）提升。
• 与最强的基于分数的方法相比，DDM2 的 SNR 和 CNR 平均分别提升 0.95 和 0.93 点。
• 由于中间状态采样，DDM2 的推理速度比标准 DDPM 快 5–10 倍，同时保持去噪质量。
• 定性结果显示解剖细节的恢复更好，且神经放射科医生未观察到新的幻觉现象。