DDM$^2$: Self-Supervised Diffusion MRI Denoising with Generative Diffusion Models

要約

磁気共鳴イメージング（MRI）は、一般的で命を救う医療画像技術である。しかし、高SN比のMRIスキャンを取得するためには、長いスキャン時間を必要とし、コストと患者の不快感の増加、およびスループットの減少をもたらします。そのため、MRIスキャン、特にSNRが著しく制限される拡散MRIスキャンのサブタイプに対するノイズ除去に大きな関心が持たれています。しかし、多くの解剖学、MRIスキャナ、およびスキャンパラメータに対して教師付き学習データセットを取得することは現実的でないことが判明している。本論文では、拡散ノイズ生成モデルを用いた自己教師付きMRIノイズ除去法、Denoising Diffusion Models for Denoising Diffusion MRI (DDM$^2$)を提案する。我々の3段階のフレームワークは、統計学に基づくノイズ除去理論を拡散モデルに統合し、条件生成によりノイズ除去を行う。推論中、我々は入力されたノイズの多い測定値を拡散マルコフ連鎖内の中間事後分布からのサンプルとして表現する。我々は、4つの実世界のin-vivo拡散MRIデータセットで実験を行い、我々のDDM$^2$が、臨床的に関連する視覚的な定性的・定量的指標で確認された優れたノイズ除去性能を示すことを示す。

要約(オリジナル)

Magnetic resonance imaging (MRI) is a common and life-saving medical imaging technique. However, acquiring high signal-to-noise ratio MRI scans requires long scan times, resulting in increased costs and patient discomfort, and decreased throughput. Thus, there is great interest in denoising MRI scans, especially for the subtype of diffusion MRI scans that are severely SNR-limited. While most prior MRI denoising methods are supervised in nature, acquiring supervised training datasets for the multitude of anatomies, MRI scanners, and scan parameters proves impractical. Here, we propose Denoising Diffusion Models for Denoising Diffusion MRI (DDM$^2$), a self-supervised denoising method for MRI denoising using diffusion denoising generative models. Our three-stage framework integrates statistic-based denoising theory into diffusion models and performs denoising through conditional generation. During inference, we represent input noisy measurements as a sample from an intermediate posterior distribution within the diffusion Markov chain. We conduct experiments on 4 real-world in-vivo diffusion MRI datasets and show that our DDM$^2$ demonstrates superior denoising performances ascertained with clinically-relevant visual qualitative and quantitative metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL