Core Concepts
提案するDPERは、拡散モデルを陰的ニューラル表現(INR)の最適化プロセスに組み込むことで、極端に過小決定された逆問題を効果的に解決する。
Abstract
本研究では、限角(LACT)および超疎視野(ultra-SVCT) CT再構成の極端に過小決定された逆問題に取り組むため、Diffusion Prior driven nEural Representation (DPER)と呼ばれる新しい無監督フレームワークを提案している。
DPERは、Half Quadratic Splitting (HQS)アルゴリズムを採用し、逆問題をデータ適合性と分布前駆体の2つのサブ問題に分解する。データ適合性サブ問題はINRベースの再構成スキームで、分布前駆体サブ問題は事前学習された拡散モデルで解決する。この組み合わせにより、INRからの暗黙的な局所的一貫性前駆体を保持しつつ、拡散モデルによる生成前駆体を通じて逆問題の解空間の実現可能性を効果的に増強する。
包括的な実験により、DPERがAAPMおよびLIDCデータセットの限角CTおよび超疎視野CTの再構成タスクで最先端の手法を上回る性能を示すことを実証している。特に、ドメイン外データセットLIDCでも安定した性能を発揮し、他の手法と比べて顕著な改善を示している。
Stats
限角CTの[0, 90]°範囲の再構成では、DPERはAAPMデータセットで37.20 dB、LIDCデータセットで28.96 dBのPSNRを達成した。
限角CTの[0, 120]°範囲の再構成では、DPERはAAPMデータセットで43.17 dB、LIDCデータセットで34.76 dBのPSNRを達成した。
限角CTの[0, 150]°範囲の再構成では、DPERはAAPMデータセットで50.01 dB、LIDCデータセットで42.42 dBのPSNRを達成した。
Quotes
"提案するDPERは、拡散モデルを陰的ニューラル表現(INR)の最適化プロセスに組み込むことで、極端に過小決定された逆問題を効果的に解決する。"
"DPERは、Half Quadratic Splitting (HQS)アルゴリズムを採用し、逆問題をデータ適合性と分布前駆体の2つのサブ問題に分解する。"
"DPERは、AAPMおよびLIDCデータセットの限角CTおよび超疎視野CTの再構成タスクで最先端の手法を上回る性能を示す。"