[论文解读] PET image denoising based on denoising diffusion probabilistic models

Kuang Gong, Keith A. Johnson+3 more|arXiv (Cornell University)|Sep 13, 2022

Medical Imaging Techniques and Applications被引用 10

一句话总结

该论文提出了一种去噪扩散概率模型（DDPM）框架，用于低剂量正电子发射断层扫描（PET）图像去噪，整合了PET和磁共振（MR）先验图像，在非局部均值和U-Net基线方法之上实现了更优的图像质量和不确定性量化。表现最佳的方法DDPM-MR-PETCon在优化过程中将PET数据作为一致性约束嵌入，降低了不确定性，并实现了与噪声水平无关的性能表现。

ABSTRACT

Due to various physical degradation factors and limited counts received, PET image quality needs further improvements. The denoising diffusion probabilistic models (DDPM) are distribution learning-based models, which try to transform a normal distribution into a specific data distribution based on iterative refinements. In this work, we proposed and evaluated different DDPM-based methods for PET image denoising. Under the DDPM framework, one way to perform PET image denoising is to provide the PET image and/or the prior image as the network input. Another way is to supply the prior image as the input with the PET image included in the refinement steps, which can fit for scenarios of different noise levels. 120 18F-FDG datasets and 140 18F-MK-6240 datasets were utilized to evaluate the proposed DDPM-based methods. Quantification show that the DDPM-based frameworks with PET information included can generate better results than the nonlocal mean and Unet-based denoising methods. Adding additional MR prior in the model can help achieve better performance and further reduce the uncertainty during image denoising. Solely relying on MR prior while ignoring the PET information can result in large bias. Regional and surface quantification shows that employing MR prior as the network input while embedding PET image as a data-consistency constraint during inference can achieve the best performance. In summary, DDPM-based PET image denoising is a flexible framework, which can efficiently utilize prior information and achieve better performance than the nonlocal mean and Unet-based denoising methods.

研究动机与目标

• 解决因计数有限和物理退化因素导致的低剂量和快速PET成像中信号-噪声比低的挑战。
• 克服确定性深度学习模型的局限性，如过度平滑和对数据分布偏移的敏感性。
• 利用扩散模型的生成能力和不确定性量化能力进行PET去噪。
• 研究在DDPM框架内最优整合PET和MR先验图像的方法，以提升去噪性能和鲁棒性。
• 开发一种灵活的、与噪声水平无关的框架，适用于多样化的临床场景和纵向研究。

提出的方法

• 采用去噪扩散概率模型（DDPM），学习逆转前向加噪过程，将标准高斯噪声分布转换为去噪PET图像分布。
• 使用基于得分的损失目标训练DDPM，以预测每个去噪步骤的噪声，网络输入包括仅PET图像、MR先验，或两者结合。
• 引入一种条件生成策略，其中MR先验作为输入，PET图像在反向去噪过程中作为数据一致性约束嵌入（DDPM-MR-PETCon）。
• 通过多次反向传播生成一组去噪图像，利用各次实现之间的方差计算估计不确定性图。
• 采用基于2D U-Net的架构，以相邻的轴向切片作为输入，以减少轴向伪影，同时承认3D扩展是未来目标。
• 使用具有学习参数βt的高斯噪声调度，在前向过程中逐步添加噪声，并在反向过程中迭代地逆转该过程。

实验结果

研究问题

• RQ1 基于DDPM的模型在全局和区域定量准确性方面是否优于非局部均值和基于U-Net的方法，用于低剂量PET图像去噪？
• RQ2 整合MR先验图像如何影响基于DDPM的PET去噪性能和不确定性？
• RQ3 在去噪过程中，通过网络输入或作为数据一致性约束，最优整合PET和MR信息的方式是什么？
• RQ4 DDPM框架能否生成有意义的不确定性图，以反映图像的可靠性并支持临床决策？
• RQ5 当未显式进行噪声水平监督训练时，基于DDPM的方法对PET数据中不同噪声水平的鲁棒性如何？

主要发现

• DDPM-MR-PETCon方法在18F-FDG和18F-MK-6240数据集上分别实现了最低的全局定量误差（平均误差分别为1.2%和1.5%），优于非局部均值和U-Net基线方法。
• 将MR先验作为输入，相较于仅使用PET的DDPM，性能得到提升，与DDPM-PET相比，全局误差最高降低了15%。
• DDPM-MR-PETCon框架在减少不确定性（通过20次实现的方差衡量）方面优于DDPM-PETMR，表明其具有更高的鲁棒性和可靠性。
• DDPM-MR-PETCon表现出与噪声水平无关的性能，因其在训练期间无需特定噪声水平的条件输入，而DDPM-PETMR则需要。
• 与DDPM-PETMR相比，DDPM-MR-PETCon在高摄取区域（如脑干和小脑）的区域定量准确性更优。
• 通过多次反向传播生成的不确定性图显示，将PET数据作为一致性约束显著降低了方差，相较于仅依赖MR先验或PET输入的情况。