[论文解读] MR Image Denoising and Super-Resolution Using Regularized Reverse Diffusion

Hyungjin Chung, Eun Sun Lee+1 more|arXiv (Cornell University)|Mar 23, 2022

Medical Imaging Techniques and Applications被引用 6

一句话总结

本文提出了一种用于磁共振成像去噪与超分辨率的正则化反向扩散模型，利用基于分数的生成建模实现后验采样、不确定性量化以及灵活的去噪控制。该模型仅在冠状位膝关节MRI上进行训练，却在具有复杂噪声的在体肝脏MRI上实现了最先进性能，信噪比（SNR）与对比噪声比（CNR）均优于先前方法，同时通过低频正则化有效保留了细微结构。

ABSTRACT

Patient scans from MRI often suffer from noise, which hampers the diagnostic capability of such images. As a method to mitigate such artifact, denoising is largely studied both within the medical imaging community and beyond the community as a general subject. However, recent deep neural network-based approaches mostly rely on the minimum mean squared error (MMSE) estimates, which tend to produce a blurred output. Moreover, such models suffer when deployed in real-world sitautions: out-of-distribution data, and complex noise distributions that deviate from the usual parametric noise models. In this work, we propose a new denoising method based on score-based reverse diffusion sampling, which overcomes all the aforementioned drawbacks. Our network, trained only with coronal knee scans, excels even on out-of-distribution in vivo liver MRI data, contaminated with complex mixture of noise. Even more, we propose a method to enhance the resolution of the denoised image with the same network. With extensive experiments, we show that our method establishes state-of-the-art performance, while having desirable properties which prior MMSE denoisers did not have: flexibly choosing the extent of denoising, and quantifying uncertainty.

研究动机与目标

• 解决基于MMSE的深度学习去噪器在磁共振成像中的局限性，后者常产生模糊输出，且在分布偏移或复杂噪声下失效。
• 开发一种在分布外数据（如具有非高斯噪声的在体肝脏MRI）上具有强泛化能力的去噪方法。
• 通过正则化实现对去噪强度的灵活控制，并保留细微解剖结构。
• 将同一去噪模型扩展用于无需微调的后处理超分辨率。
• 通过后验采样提供不确定性量化，这是标准MMSE基方法所缺乏的能力。

提出的方法

• 使用开源冠状位膝关节MRI数据训练基于分数的扩散模型，学习从噪声图像到干净图像的反向扩散过程。
• 通过从噪声图像而非纯噪声初始化反向扩散过程，实现通过迭代去噪步骤完成去噪。
• 应用一种基于随机收缩理论的新型低频正则化方法，以保持结构保真度并抑制伪影。
• 利用相同的分数函数执行后处理超分辨率步骤，以提升去噪图像的分辨率。
• 通过后验采样生成多个重建结果，实现不确定性量化与后验均值估计。
• 采用先进的分数匹配与采样技术（如基于NCSNv2的方法），在性能上超越先前的扩散基方法。

实验结果

研究问题

• RQ1 基于扩散的去噪方法是否能在无需微调的情况下泛化到分布外的MRI数据（如在体肝脏扫描）？
• RQ2 单一模型是否可利用相同的已学习分数函数同时完成去噪与超分辨率？
• RQ3 与未正则化的反向扩散相比，低频正则化是否能提升去噪MRI中的结构保真度？
• RQ4 从扩散模型中进行后验采样是否能提供MRI去噪中的有意义不确定性估计？
• RQ5 在复杂噪声分布下，所提方法与最先进MMSE基及自监督去噪器相比，在SNR与CNR指标上的表现如何？

主要发现

• 所提方法在实现超分辨率时达到SNR 21.28 ± 8.35与CNR 16.08 ± 10.00，显著优于无超分辨率基线（SNR: 22.53 ± 9.06，CNR: 11.24 ± 7.32）。
• 如图5所示，该方法能有效保留细微结构（如血管边界），正则化有效防止结构失真与伪影生成。
• 尽管仅在膝关节扫描上进行训练，该模型在具有复杂噪声的在体肝脏MRI上仍表现出有效泛化能力，展现出对分布偏移的强鲁棒性。
• 引入超分辨率使CNR提升4.84分（从11.24增至16.08），仅伴随SNR轻微下降，表明对图像质量具有整体正向影响。
• 在对比方法中，该方法是唯一在SNR与CNR上均实现统计显著提升的方法，经RM-ANOVA验证。
• 后验采样支持不确定性量化，多个样本显示一致且逼真的重建结果，而MMSE基方法则不具备此特性。