[论文解读] One Sample Diffusion Model in Projection Domain for Low-Dose CT Imaging

Bin Huang, Liu Zhang+4 more|arXiv (Cornell University)|Dec 7, 2022

Radiomics and Machine Learning in Medical Imaging被引用 5

一句话总结

本文提出一种完全无监督的一次采样扩散模型（OSDM），用于在投影域中进行低剂量CT重建，利用Hankel矩阵公式从单个反投影图中提取丰富的先验信息，并结合基于分数的生成建模、数据一致性约束及总变差正则化。该方法在仅使用单个反投影图数据的情况下，实现了接近正常剂量图像质量的重建结果，显著减少了伪影。

ABSTRACT

Low-dose computed tomography (CT) plays a significant role in reducing the radiation risk in clinical applications. However, lowering the radiation dose will significantly degrade the image quality. With the rapid development and wide application of deep learning, it has brought new directions for the development of low-dose CT imaging algorithms. Therefore, we propose a fully unsupervised one sample diffusion model (OSDM)in projection domain for low-dose CT reconstruction. To extract sufficient prior information from single sample, the Hankel matrix formulation is employed. Besides, the penalized weighted least-squares and total variation are introduced to achieve superior image quality. Specifically, we first train a score-based generative model on one sinogram by extracting a great number of tensors from the structural-Hankel matrix as the network input to capture prior distribution. Then, at the inference stage, the stochastic differential equation solver and data consistency step are performed iteratively to obtain the sinogram data. Finally, the final image is obtained through the filtered back-projection algorithm. The reconstructed results are approaching to the normal-dose counterparts. The results prove that OSDM is practical and effective model for reducing the artifacts and preserving the image quality.

研究动机与目标

• 为解决在仅有一个正常剂量反投影图可用的情况下，低剂量CT图像重建中监督信息极少的挑战。
• 开发一种完全无监督的方法，能够从单个低剂量CT投影数据集中学习有意义的图像先验。
• 通过减少伪影并保留低剂量CT重建中的精细结构，提升图像质量。
• 实现在无需大规模成对训练数据的情况下的有效重建，这在临床环境中通常难以实现。

提出的方法

• 该方法采用Hankel矩阵公式，从单个反投影图中提取大量张量，从而在数据有限的情况下实现丰富的先验学习。
• 在这些张量上训练基于分数的生成模型，以学习投影数据的潜在先验分布。
• 在推理阶段，通过随机微分方程求解器迭代地对低剂量反投影图进行去噪，同时强制满足测量投影数据的一致性约束。
• 整合总变差正则化与加权最小二乘惩罚正则化，以增强重建保真度并减少噪声。
• 在获得优化后的反投影图后，使用滤波反投影法重建最终图像。
• 整个框架完全在投影域中运行，避免了图像域优化或成对数据的需求。

实验结果

研究问题

• RQ1 仅使用单个反投影图的扩散模型是否能有效学习图像先验，而无需大规模成对训练数据用于低剂量CT重建？
• RQ2 基于单个正常剂量反投影图训练的基于分数的生成模型，能否从低剂量投影中重建出高质量图像？
• RQ3 在投影域中，数据一致性与总变差正则化的结合在多大程度上提升了重建质量？
• RQ4 所提出的单样本扩散模型是否能超越现有的无监督或弱监督低剂量CT重建方法？

主要发现

• 所提出的OSDM实现的重建质量接近正常剂量CT图像，显著减少了条纹伪影与噪声伪影。
• 基于Hankel矩阵的张量提取方法能够有效从单个反投影图中学习先验，增强了模型的泛化能力。
• 数据一致性与总变差正则化的结合显著提升了重建图像的结构保持能力并增强了噪声抑制效果。
• 该方法在定性和定量评估中均表现出色，尽管仅使用一个样本进行训练，其性能仍与当前最先进方法具有竞争力。