[论文解读] Parallel Diffusion Model-based Sparse-view Cone-beam Breast CT

Wenjun Xia, Tseng, Hsin Wu+7 more|arXiv (Cornell University)|Mar 22, 2023

Medical Imaging Techniques and Applications被引用 4

一句话总结

本论文提出了一种用于稀疏视角锥形束乳腺CT重建的并行双域扩散模型框架，采用在投影和图像子体积上并行训练的独立去噪扩散概率模型（DDPM）。该方法在标准辐射剂量的二分之一至三分之一剂量下实现了高质量的3D乳腺CT图像，显著降低了辐射剂量，同时保持了诊断级图像质量。

ABSTRACT

Breast cancer is the most prevalent cancer among women worldwide, and early detection is crucial for reducing its mortality rate and improving quality of life. Dedicated breast computed tomography (CT) scanners offer better image quality than mammography and tomosynthesis in general but at higher radiation dose. To enable breast CT for cancer screening, the challenge is to minimize the radiation dose without compromising image quality, according to the ALARA principle (as low as reasonably achievable). Over the past years, deep learning has shown remarkable successes in various tasks, including low-dose CT especially few-view CT. Currently, the diffusion model presents the state of the art for CT reconstruction. To develop the first diffusion model-based breast CT reconstruction method, here we report innovations to address the large memory requirement for breast cone-beam CT reconstruction and high computational cost of the diffusion model. Specifically, in this study we transform the cutting-edge Denoising Diffusion Probabilistic Model (DDPM) into a parallel framework for sub-volume-based sparse-view breast CT image reconstruction in projection and image domains. This novel approach involves the concurrent training of two distinct DDPM models dedicated to processing projection and image data synergistically in the dual domains. Our experimental findings reveal that this method delivers competitive reconstruction performance at half to one-third of the standard radiation doses. This advancement demonstrates an exciting potential of diffusion-type models for volumetric breast reconstruction at high-resolution with much-reduced radiation dose and as such hopefully redefines breast cancer screening and diagnosis.

研究动机与目标

• 为解决专用乳腺CT中高辐射剂量问题，实现在保持图像质量的前提下进行低剂量扫描。
• 克服在体素乳腺CT重建中扩散模型带来的大内存与高计算成本问题。
• 开发一种并行的、基于子体积的框架，实现在大规模3D数据集上的高效训练与推理。
• 在投影域与图像域中集成扩散模型，实现协同重建性能提升。
• 在真实稀疏视角锥形束乳腺CT数据上，于降低剂量水平下验证该方法的有效性。

提出的方法

• 设计了一种双域并行流程，分别训练两个独立的DDPM：一个用于投影数据（DDPM-P），另一个用于图像数据（DDPM-I）。
• 将3D投影与图像体积划分为非重叠的16×16×16子体积，以实现并行处理。
• DDPM-P使用基于U-Net的架构，经过1,000次扩散步骤与线性beta调度，恢复稀疏视角投影中的缺失数据。
• 在投影域完成子体积修复后，使用FDK算法完成完整数据集的重建。
• DDPM-I通过学习成对的低质量与高质量图像子体积，对低质量的FDK重建图像体积进行精细化处理。
• 整个流程利用分布式计算，结合数据广播与组装机制，实现在GPU集群上的高效推理。

实验结果

研究问题

• RQ1 并行双域扩散模型框架能否有效从稀疏视角锥形束投影中重建出高质量的3D乳腺CT图像？
• RQ2 所提出的并行子体积处理策略在基于扩散模型的CT重建中如何降低内存与计算成本？
• RQ3 双域DDPM方法在标准辐射剂量的二分之一至三分之一剂量下，能在多大程度上保持图像质量？
• RQ4 投影域与图像域DDPM之间的协同作用相比单域或传统方法，如何提升重建保真度？
• RQ5 该方法能否在基于GPU的集群上高效部署，以实现临床规模的重建？

主要发现

• 所提出方法在真实锥形束乳腺CT数据上验证表明，在标准辐射剂量的二分之一至三分之一剂量下，实现了具有竞争力的图像重建质量。
• 并行子体积处理策略显著降低了内存需求，并实现了在大规模3D数据集上的高效训练与推理。
• 双域DDPM框架在图像质量方面优于传统的FDK重建方法，尤其在减少稀疏视角数据中的噪声与伪影方面表现突出。
• 在投影域与图像域分别使用独立DDPM，实现了协同优化，其中DDPM-I有效提升了FDK重建的图像质量。
• 该方法成功在AiMOS GPU集群上使用1,576块V100 GPU完成训练与测试，验证了其可扩展性与计算可行性。
• 该框架可部署于云服务平台，支持未来在低剂量乳腺癌筛查中的临床集成。