Iterative CT Reconstruction via Latent Variable Optimization of Shallow Diffusion Models

要約

画像生成AIは近年大きな注目を集めています。
特に、最近の生成AIの中核をなす拡散モデルは、多様性に富んだ高品質な画像を生成します。
本研究では、ノイズ除去拡散確率モデルと反復 CT 再構成を組み合わせた新しい CT 再構成手法を提案します。
以前の研究とは明らかに対照的に、本発明者らは、画像およびモデルパラメータの代わりに、拡散モデルの潜在変数に関してCT再構成の忠実度損失を最適化する。
拡散モデルによって生じる解剖学的構造の変化を抑制するために、拡散プロセスと逆プロセスを浅くし、逆プロセスで追加された一連のノイズを修正して、推論中に決定論的になります。
1/10 ビュー投影データのスパースビュー CT 再構成を通じて提案手法の有効性を実証します。
実装が単純であるにもかかわらず、提案された方法は、患者の解剖学的構造を保存しながら高品質の画像を再構成できることを示し、定量的指標の点で反復再構成、全体変動を伴う反復再構成、および拡散モデル単独を含む既存の方法を上回ります。
SSIMやPSNRなど。
また、同じトレーニング済み拡散モデルを使用した 1/20 ビュー投影データを使用して、さらにスパース ビュー CT を探索します。
反復回数が増加するにつれて、1/10 スパースビュー CT 再構成に匹敵​​する画質の向上が達成されます。
原理的には、提案された方法は CT だけでなく、MRI、PET、SPECT などの他の画像モダリティにも広く適用できます。

要約(オリジナル)

Image generative AI has garnered significant attention in recent years. In particular, the diffusion model, a core component of recent generative AI, produces high-quality images with rich diversity. In this study, we propose a novel CT reconstruction method by combining the denoising diffusion probabilistic model with iterative CT reconstruction. In sharp contrast to previous studies, we optimize the fidelity loss of CT reconstruction with respect to the latent variable of the diffusion model, instead of the image and model parameters. To suppress anatomical structure changes produced by the diffusion model, we shallow the diffusion and reverse processes, and fix a set of added noises in the reverse process to make it deterministic during inference. We demonstrate the effectiveness of the proposed method through sparse view CT reconstruction of 1/10 view projection data. Despite the simplicity of the implementation, the proposed method shows the capability of reconstructing high-quality images while preserving the patient’s anatomical structure, and outperforms existing methods including iterative reconstruction, iterative reconstruction with total variation, and the diffusion model alone in terms of quantitative indices such as SSIM and PSNR. We also explore further sparse view CT using 1/20 view projection data with the same trained diffusion model. As the number of iterations increases, image quality improvement comparable to that of 1/10 sparse view CT reconstruction is achieved. In principle, the proposed method can be widely applied not only to CT but also to other imaging modalities such as MRI, PET, and SPECT.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google