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

Résumé Technique : HDDPM pour la récupération quantitative de la TEP cérébrale à faible comptage

Énoncé du problème
La tomographie par émission de positrons (TEP) est confrontée à un compromis critique entre la qualité de l'image diagnostique et l'exposition du patient aux radiations. La réduction de la dose de radiotraceur injectée pour minimiser les radiations entraîne des acquisitions à « faible comptage » caractérisées par un bruit sévère. Contrairement aux tâches de traitement d'image standard où le bruit est souvent supposé être gaussien et stationnaire, le bruit de la TEP à faible comptage est intrinsèquement non gaussien, non stationnaire et dépendant de l'espace. Plus précisément, la variance du bruit est directement proportionnelle à la concentration locale de radioactivité (statistiques de Poisson) et est influencée par l'algorithme de reconstruction et les corrections physiques.

Les modèles de diffusion probabiliste de débruitage (DDPM) standards échouent à traiter ces réalités physiques. Leur processus de diffusion direct ajoute un bruit gaussien isotrope et homoscédastique (variance constante) à l'image cible. Cette hypothèse ignore la nature de la dégradation dépendante de l'activité, ce qui conduit à un décalage entre le modèle de corruption appris et la structure de bruit réelle du scanner. Par conséquent, les débruiteurs par apprentissage profond standard peinent souvent à se généraliser à différents niveaux de dose ou types de scanners, présentant des problèmes de lissage excessif ou de débruitage insuffisant lorsqu'ils sont appliqués à des données dont les caractéristiques de bruit diffèrent de leur distribution d'entraînement.

Méthodologie
Les auteurs proposent le Modèle de Diffusion Probabiliste de Débruitage Hétéroscédastique (HDDPM), un cadre conçu pour incorporer directement la structure de bruit physique de la TEP dans le processus de diffusion.

1. Formulation du problème : La tâche est formulée comme une reconstruction image-vers-image 3D appariée où le modèle prédit le résidu ($r = x_{HD} - x_{LD}$) entre une référence à dose standard ($x_{HD}$) et une entrée à faible comptage ($x_{LD}$). La reconstruction finale est obtenue en ajoutant le résidu prédit à l'entrée à faible comptage. Cette approche préserve la structure anatomique présente dans l'entrée tout en concentrant la capacité du réseau sur l'apprentissage de la dégradation dépendante du comptage.
2. Processus de diffusion direct hétéroscédastique : Contrairement aux DDPM standards qui utilisent un calendrier de variance scalaire, l'HDDPM remplace la variance scalaire par une carte de mise à l'échelle de la variance par voxel, $g(v)$.
   • Cette carte est générée par un module basé sur le modèle de Poisson gelé (non appris pendant l'entraînement) qui calcule la variance locale en fonction de l'intensité d'une image de référence ($v$).
   • La variance est inversement proportionnelle à l'activité locale : les régions à faible activité reçoivent une perturbation de bruit plus forte, tandis que les régions à activité élevée reçoivent une perturbation plus faible, imitant la nature hétéroscédastique des statistiques de comptage de la TEP.
   • Pendant l'entraînement, la cible à dose standard sert de référence de variance. Lors de l'inférence, le modèle est conditionné uniquement sur l'image à faible comptage et la fraction de dose, sans nécessiter de carte dérivée de la cible.
3. Architecture du réseau et conditionnement : Le réseau de débruitage utilise une architecture de base U-Net 3D en mode prédiction de $x_0$. Il prend en entrée le résidu bruité, l'image de conditionnement à faible comptage, l'étape de diffusion (timestep), ainsi que la fraction de dose comme variables de conditionnement explicites. Les métadonnées (âge, poids, modèle de scanner) sont également incluses si elles sont disponibles.
4. Stratégie d'entraînement : Le modèle est entraîné pour minimiser la perte de reconstruction du résidu. Pour gérer le défi clinique des réductions de dose extrêmes, les cas de faible comptage sévères ont été surpondérés lors de l'échantillonnage.

Contributions clés

• Reformulation hétéroscédastique : L'article introduit une nouvelle reformulation du processus de diffusion direct des DDPM pour l'imagerie médicale, remplaant le bruit gaussien isotrope par un modèle de bruit dépendant de l'intensité et variant spatialement, dérivé des statistiques de Poisson.
• Apprentissage du résidu avec conditionnement de dose : Le cadre combine l'apprentissage du résidu (prédiction de la différence entre les faibles et les hauts comptages) avec un conditionnement explicite de la fraction de dose, permettant au modèle de s'adapter à diverses doses simulées (1 % à 50 %) sans réentraînement.
• Évaluation contrôlée : L'étude fournit une comparaison strictement contrôlée entre le modèle proposé (HDDPM) et un modèle de référence DDPM isotrope, isolant l'impact spécifique de la modélisation du bruit hétéroscédastique en maintenant tous les autres paramètres architecturaux et d'entraînement identiques.

Résultats
L'HDDPM a été évalué sur trois types de scanners différents (Siemens Biograph Vision Quadra, United Imaging uExplorer et un Siemens Biograph mMR externe) en utilisant des ensembles de données internes et externes à des niveaux de dose simulés allant de 1 % à 50 %.

• Qualité d'image globale : L'HDDPM et le DDPM isotrope standard ont démontré une qualité d'image globale comparable (mesurée par PSNR, SSIM et l'erreur absolue moyenne normalisée de la SUV) pour la plupart des niveaux de dose et des ensembles de données.
• Robustesse aux faibles doses : Le principal avantage de l'HDDPM est apparu dans les scans externes à dose très faible (1 %). Dans ce scénario difficile, hors distribution, l'HDDPM a considérablement réduit les erreurs de mesure par rapport au modèle standard. Spécifiquement, dans la cohorte externe à 1 % de comptage, l'HDDPM a réduit l'erreur de la SUVr de faible captation à 2,40 % contre 3,10 % pour le DDPM isotrope ($p < 0,001$).
• Quantification régionale : Bien que la validation interne ait montré des performances similaires entre les deux modèles, l'HDDPM a montré une meilleure fiabilité pour préserver la précision quantitative régionale (SUVr) dans les données fortement dégradées ou externes.
• Texture du bruit : L'analyse du spectre de puissance du bruit (NPS) a indiqué que les deux modèles produisaient des textures de bruit similaires en interne, bien que l'HDDPM ait préservé une puissance résiduelle à haute fréquence légèrement plus grande dans les données externes, suggérant une meilleure préservation des détails fins dans les scénarios difficiles.

Signification et affirmations
Les auteurs affirment que l'HDDPM fournit un biais inductif motivé par la physique pour la récupération quantitative de la TEP à faible comptage. En reflétant la structure de bruit dépendante de l'activité au sein du processus de diffusion, le modèle atteint une plus grande fiabilité dans les scénarios où les hypothèses isotropes standards échouent — spécifiquement lors de réductions de dose extrêmes et de la généralisation entre scanners.

L'article positionne modestement l'HDDPM comme une preuve de concept démontrant la faisabilité du débruitage hétéroscédastique. Les auteurs notent que les paramètres architecturaux (par exemple, la durée d'entraînement, l'échelle de variance) n'ont pas été pleinement optimisés, ce qui signifie que les résultats rapportés représentent le comportement de base et le potentiel de l'approche plutôt que son plafond de performance absolu. La signification centrale réside dans la preuve que la modélisation de la dégradation physique spécifique du système d'imagerie (l'hétéroscédasticité) produit des bénéfices tangibles pour la précision quantitative de la TEP à faible comptage, particulièrement lorsque les données sont rares ou proviennent de configurations de scanners non observées.