[论文解读] DOLCE: A Model-Based Probabilistic Diffusion Framework for Limited-Angle CT Reconstruction

Jiaming Liu, Rushil Anirudh+5 more|arXiv (Cornell University)|Nov 22, 2022

Medical Imaging Techniques and Applications被引用 7

一句话总结

DOLCE 是一种基于模型的、用于有限角度 CT 重建的概率扩散框架，采用条件扩散模型作为图像先验，并结合数据一致性更新，从严重欠采样的数据中生成高质量、边缘保持的重建图像。它在多种真实世界数据集上实现了最先进性能，并通过生成多样化且校准良好的样本，实现了系统的不确定性量化。

ABSTRACT

Limited-Angle Computed Tomography (LACT) is a non-destructive evaluation technique used in a variety of applications ranging from security to medicine. The limited angle coverage in LACT is often a dominant source of severe artifacts in the reconstructed images, making it a challenging inverse problem. We present DOLCE, a new deep model-based framework for LACT that uses a conditional diffusion model as an image prior. Diffusion models are a recent class of deep generative models that are relatively easy to train due to their implementation as image denoisers. DOLCE can form high-quality images from severely under-sampled data by integrating data-consistency updates with the sampling updates of a diffusion model, which is conditioned on the transformed limited-angle data. We show through extensive experimentation on several challenging real LACT datasets that, the same pre-trained DOLCE model achieves the SOTA performance on drastically different types of images. Additionally, we show that, unlike standard LACT reconstruction methods, DOLCE naturally enables the quantification of the reconstruction uncertainty by generating multiple samples consistent with the measured data.

研究动机与目标

• 解决由于不完全角度采样导致的有限角度 CT（LACT）中严重的伪影问题。
• 开发一种可泛化的高性能重建框架，适用于医学人体和行李等多种图像分布。
• 在 LACT 重建中实现不确定性量化，而这一问题在以往的深度学习方法中很少被关注。
• 通过概率性、迭代优化的框架，将物理前向模型与深度生成先验相结合。

提出的方法

• DOLCE 采用一个条件扩散模型，该模型在变换后的有限角度 sinogram 条件下进行训练，以实现图像去噪。
• 它使用一种随机采样过程，通过迭代去噪步骤逐步优化初始的噪声重建图像。
• 在每个采样步骤后，应用数据一致性更新，利用邻近映射强制重建结果与测量投影对齐。
• 该框架端到端训练，以建模给定有限角度数据的图像后验分布，结合物理建模与学习到的先验。
• 它支持将 FBP 和 RLS 作为条件输入，从而实现初始化的灵活性。
• 该方法可从单个 sinogram 生成多个多样化的重建结果，从而通过方差计算实现不确定性估计。

实验结果

研究问题

• RQ1 一个预训练的单一扩散模型能否在人类身体和托运行李等截然不同的 LACT 数据分布上实现泛化？
• RQ2 基于模型的扩散框架能否在严重欠采样的 LACT 数据上实现最先进重建质量？
• RQ3 条件扩散模型是否能自然地实现 LACT 中的不确定性量化，且估计的不确定性是否与实际重建误差良好校准？
• RQ4 在基于扩散的框架中，集成数据一致性更新如何提升重建保真度与收敛性？

主要发现

• DOLCE 在医学和安全相关的 LACT 数据集上均实现了最先进性能，能够在 θ_max ∈ {60°, 90°, 120°} 条件下生成高分辨率 512×512 图像。
• 同一预训练的 DOLCE 模型在不同数据分布（包括人体扫描和行李扫描）之间表现出有效的泛化能力，展示了前所未有的模型迁移能力。
• DOLCE 实现了有意义的不确定性量化：估计的方差与绝对重建误差高度相关，表明不确定性估计具有良好校准性。
• 通过邻近映射集成数据一致性可提升重建质量并稳定推理过程中的似然度，PSNR 在 K=50 次迭代时达到峰值。
• 3D 分割结果表明，DOLCE 比 RLS 和 DPS 更好地保持了清晰的物体边界，从而支持从重建的 2D 切片中实现准确的区域生长分割。
• 即使在 θ_max = 60° 的极端数据稀缺条件下，该方法仍能保持高图像保真度，证明了其对极端数据稀缺的鲁棒性。