HDDPM: Heteroscedastic Denoising Diffusion Probabilistic Model for Quantitative Low-Count Brain PET Recovery

Resumen Técnico: HDDPM para la recuperación cuantitativa de PET cerebral de bajo conteo

Planteamiento del problema
La Tomografía por Emisión de Positrones (PET) enfrenta un compromiso crítico entre la calidad de la imagen diagnóstica y la exposición a la radiación del paciente. Reducir la dosis de radiotrazador inyectada para minimizar la radiación conduce a adquisiciones de "bajo conteo", caracterizadas por un ruido severo. A diferencia de las tareas de procesamiento de imágenes estándar, donde el ruido suele asumirse como gaussiano y estacionario, el ruido de PET de bajo conteo es inherentemente no gaussiano, no estacionario y dependiente del espacio. Específicamente, la varianza del ruido escala directamente con la concentración local de radiactividad (estadísticas de Poisson) y está influenciada por el algoritmo de reconstrucción y las correcciones físicas.

Los modelos de difusión probabilística de eliminación de ruido (DDPM) estándar fallan al no abordar estas realidades físicas. Su proceso de difusión hacia adelante añade ruido gaussiano isotrópico y homocedástico (varianza constante) a la imagen objetivo. Este supuesto ignora la naturaleza dependiente de la actividad de la degradación de PET, lo que provoca un desajuste entre el modelo de corrupción aprendido y la estructura de ruido real del escáner. En consecuencia, los denoisers de aprendizaje profundo estándar suelen tener dificultades para generalizar en diferentes niveles de dosis o tipos de escáner, exhibiendo problemas como el suavizado excesivo (over-smoothing) o una eliminación de ruido insuficiente cuando se aplican a datos con características de ruido distintas a su distribución de entrenamiento.

Metodología
Los autores proponen el Modelo de Difusión Probabilística de Eliminación de Ruido Heterocedástico (HDDPM), un marco diseñado para incorporar directamente la estructura de ruido física de PET en el proceso de difusión.

1. Formulación del problema: La tarea se plantea como una reconstrucción de imagen a imagen 3D emparejada donde el modelo predice el residuo ($r = x_{HD} - x_{LD}$) entre una referencia de dosis estándar ($x_{HD}$) y un input de bajo conteo ($x_{LD}$). La reconstrucción final se obtiene sumando el residuo predicho de nuevo al input de bajo conteo. Este enfoque preserva la estructura anatómica presente en el input mientras enfoca la capacidad de la red en aprender la degradación dependiente del conteo.
2. Proceso de difusión hacia adelante heterocedástico: A diferencia de los DDPM estándar que utilizan un esquema de varianza escalar, el HDDPM reemplaza la varianza escalar con un mapa de escalado de varianza por vóxel, $g(v)$.
   • Este mapa es generado por un módulo basado en Poisson congelado (que no se aprende durante el entrenamiento) que calcula la variancia local basándose en la intensidad de una imagen de referencia ($v$).
   • La varianza es inversamente proporcional a la actividad local: las regiones de baja actividad reciben una perturbación de ruido más fuerte, mientras que las regiones de alta actividad reciben una perturbación más débil, imitando la naturaleza heterocedástica de las estadísticas de conteo de PET.
   • Durante el entrenamiento, la dosis estándar sirve como referencia de varianza. Durante la inferencia, el modelo se condiciona únicamente a la imagen de bajo conteo y a la fracción de dosis, sin requerir un mapa derivado del objetivo.
3. Arquitectura de red y condicionamiento: La red de eliminación de ruido utiliza un esqueleto de U-Net 3D en modo de predicción de $x_0$. Toma el residuo ruidoso, la imagen de condicionamiento de bajo conteo, el paso de tiempo de difusión y la fracción de dosis como variables de condicionamiento explícitas. Los metadatos (edad, peso, modelo de escáner) también se incluyen cuando están disponibles.
4. Estrategia de entrenamiento: El modelo se entrena para minimizar la pérdida de reconstrucción del residuo. Para manejar el desafío clínico de la reducción extrema de dosis, los casos de bajo conteo severo fueron ponderados al alza durante el muestreo.

Contribuciones clave

• Reformulación heterocedástica: El artículo introduce una novedosa reformulación del proceso de difusión hacia adelante de los DDPM para el procesamiento de imágenes médicas, reemplazando el ruido gaussiano isotrópico con un modelo de ruido dependiente de la intensidad y espacialmente variable derivado de las estadísticas de Poisson.
• Aprendizaje de residuo con condicionamiento de dosis: El marco combina el aprendizaje de residuo (predicción de la diferencia entre conteos bajos y estándar) con el condicionamiento explícito de la fracción de dosis, lo que permite al modelo adaptarse a varios niveles de dosis simulados (del 1% al 50%) sin necesidad de reentrenamiento.
• Evaluación controlada: El estudio proporciona una comparación estrictamente controlada entre el HDDPM propuesto y un baseline de DDPM isotrópico, aislando el impacto específico de modelar el ruido heterocedástico al mantener idénticos todos los demás parámetros arquitectónicos y de entrenamiento.

Resultados
El HDDPM fue evaluado en tres tipos diferentes de escáneres (Siemens Biograph Vision Quadra, United Imaging uExplorer y un Siemens Biograph mMR externo) utilizando tanto conjuntos de datos internos como externos en niveles de dosis simulados que oscilaban entre el 1% y el 50%.

• Calidad de imagen global: El HDDPM y el DDPM isotrópico estándar demostraron una calidad de imagen global comparable (medida por PSNR, SSIM y SUV NMAE) en la mayoría de los niveles de dosis y conjuntos de datos.
• Robustez ante dosis bajas: La principal ventaja del HDDPM surgió en los escaneos externos de la dosis más baja (1%). En este escenario desafiante y fuera de la distribución, el HDDPM redujo significativamente los errores de medición en comparación con el modelo estándar. Específicamente, en la cohorte externa al 1% de conteos, el HDDPM redujo el error de SUVr de baja captación al 2.40% en comparación con el 3.10% del DDPM isotrópico ($p < 0.001$).
• Cuantificación regional: Mientras que la validación interna mostró un rendimiento similar entre ambos modelos, el HDDPM demostró una mayor fiabilidad en la preservación de la precisión cuantitativa regional (SUVr) en datos fuertemente degradados o externos.
• Textura del ruido: El análisis del Espectro de Potencia del Ruido (NPS) indicó que ambos modelos produjeron texturas de ruido similares internamente, aunque el HDDPM preservó una potencia residual de alta frecuencia ligeramente mayor en los datos externos, lo que sugiere una mejor preservación de los detalles finos en escenarios difíciles.

Significado y afirmaciones
Los autores afirman que el HDDPM proporciona un sesgo inductivo motivado físicamente para la recuperación cuantitativa de PET de bajo conteo. Al reflejar la estructura de ruido dependiente de la actividad de PET dentro del proceso de difusión, el modelo logra una mayor fiabilidad en escenarios donde los supuestos isotrópicos estándar fallan, específicamente en la reducción extrema de dosis y la generalización entre escáneres.

El artículo posiciona modestamente al HDDPM como una prueba de concepto que demuestra la viabilidad de la noisificación heterocedástica. Los autores señalan que los parámetros arquitectónicos (por ejemplo, duración del entrenamiento, escalado de varianza) no fueron optimizados completamente, lo que significa que los resultados reportados representan el comportamiento básico y el potencial del enfoque, más que su techo absoluto de rendimiento. La importancia central radica en demostrar que modelar la degradación física específica del sistema de imagen (heterocedasticidad) produce beneficios tangibles para la precisión cuantitativa en PET de bajo conteo, particularmente cuando los datos son escasos o provienen de configuraciones de escáner no vistas previamente.