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

Sintesi Tecnica: HDDPM per il recupero quantitativo di PET cerebrale a basso conteggio

Definizione del Problema
La tomografia a emissione di positroni (PET) affronta un compromesso critico tra la qualità dell'immagine diagnostica e l'esposizione alle radiazioni del paziente. Ridurre la dose di radiotracciatore iniettata per minimizzare le radiazioni porta ad acquisizioni "a basso conteggio" caratterizzate da un rumore severo. A differenza dei compiti standard di elaborazione delle immagini, dove il rumore è spesso assunto come Gaussiano e stazionario, il rumore della PET a basso conteggio è intrinsecamente non Gaussiano, non stazionario e spazialmente dipendente. Nello specifico, la varianza del rumore scala direttamente con la concentrazione locale di radioattività (statistica di Poisson) ed è influenzata dall'algoritmo di ricostruzione e dalle correzioni fisiche.

I modelli standard di Denoising Diffusion Probabilistic Models (DDPM) falliscono nel gestire queste realtà fisiche. Il loro processo di diffusione in avanti aggiunge rumore Gaussiano isotropo e omoscedastico (varianza costante) all'immagine target. Questa assunzione ignora la natura della degradazione dipendente dall'attività, portando a un disallineamento tra il modello di corruzione appreso e la reale struttura del rumore dello scanner. Di conseguenza, i denoiser basati su deep learning standard spesso faticano a generalizzare su diversi livelli di dose o tipi di scanner, presentando problemi come l'eccessivo livellamento (over-smoothing) o un sotto-denoising quando applicati a dati con caratteristiche di rumore differenti dalla loro distribuzione di addestramento.

Metodologia
Gli autori propongono l'Heteroscedastic Denoising Diffusion Probabilistic Model (HDDPM), un framework progettato per incorporare direttamente nel processo di diffusione la struttura del rumore fisico della PET.

1. Formulazione del Problema: Il compito è formulato come una ricostruzione immagine-a-immagine 3D accoppiata dove il modello predice il residuo ($r = x_{HD} - x_{LD}$) tra un riferimento a dose standard ($x_{HD}$) e un input a basso conteggio ($x_{LD}$). L'output finale viene ricostruito aggiungendo il residuo predetto all'input a basso conteggio. Questo approccio preserva la struttura anatomica presente nell'input concentrando la capacità della rete sull'apprendimento della degradazione dipendente dal conteggio.
2. Processo di Diffusione in Avanti Eteroscedastico: A differenza dei classici DDPM che utilizzano uno schema di varianza scalare, l'HDDPM sostituisce la varianza scalare con una mappa di scala della varianza voxel-wise, $g(v)$.
   • Questa mappa è generata da un modulo basato su Poisson e congelato (non appreso durante l'addestramento) che calcola la varianza locale in base all'intensità di un'immagine di riferimento ($v$).
   • La varianza è inversamente proporzionale all'attività locale: le regioni a bassa attività ricevono una perturbazione del rumore più forte, mentre le regioni ad alta attività ricevono una perturbazione più debole, imitando la natura eteroscedastica delle statistiche di conteggio della PET.
   • Durante l'addestramento, il target a dose standard funge da riferimento per la varianza. Durante l'inferenza, il modello è condizionato solo dall'immagine a basso conteggio e dalla frazione di dose, senza richiedere una mappa derivata dal target.
3. Architettura della Rete e Condizionamento: La rete di denoising utilizza un backbone 3D U-Net in modalità di predizione di $x_0$. Essa riceve il residuo rumoroso, l'immagine di condizionamento a basso conteggio, il timestep di diffusione e la frazione di dose come variabili di condizionamento esplicite. I metadati (età, peso, modello di scanner) sono inclusi laddove disponibili.
4. Strategia di Addestramento: Il modello è addestrato per minimizzare la perdita di ricostruzione del residuo. Per gestire la sfida clinica della riduzione estrema della dose, i casi a bassissimo conteggio sono stati pesati maggiormente durante il campionamento.

Contributi Chiave

• Riformulazione Eteroscedastica: Il lavoro introduce una nuova riformulazione del processo di diffusione in avanti per l'imaging medico, sostituendo il rumore Gaussiano isotropo con un modello di rumore dipendente dall'intensità e spazialmente variabile derivato dalle statistiche di Poisson.
• Apprendimento del Residuo con Condizionamento della Dose: Il framework combina l'apprendimento del residuo (predizione della differenza tra bassi e standard conteggi) con un esplicito condizionamento della frazione di dose, permettendo al modello di adattarsi a vari livelli di dose simulati (dall'1% al 50%) senza necessità di ri-addestramento.
• Valutazione Controllata: Lo studio fornisce un confronto rigorosamente controllato tra il modello proposto HDDPM e un baseline DDPM isotropo, isolando l'impatto specifico della modellazione del rumore eteroscedastico mantenendo identici tutti gli altri parametri architettonici e di addestramento.

Risultati
L'HDDPM è stato valutato su tre diversi tipi di scanner (Siemens Biograph Vision Quadra, United Imaging uExplorer e uno scanner esterno Siemens Biograph mMR) utilizzando sia dataset interni che esterni a livelli di dose simulati compresi tra l'1% e il 50%.

• Qualità dell'Immagine Complessiva: L'HDDPM e il DDPM isotropo standard hanno dimostrato una qualità d'immagine globale comparabile (misurata tramite PSNR, SSIM e SUV NMAE) attraverso la maggior parte dei livelli di dose e dei dataset.
• Robustezza alla Bassa Dose: Il vantaggio principale dell'HDDPM è emerso nelle scansioni esterne con dose minima (1%). In questo scenario critico e fuori distribuzione (out-of-distribution), l'HDDPM ha ridotto significativamente gli errori di misurazione rispetto al modello standard. Nello specifico, nel coorte esterno al 1% di conteggi, l'HDDPM ha ridotto l'errore di SUVr a bassa captazione al 2,40% rispetto al 3,10% del DDPM isotropo ($p < 0.001$).
• Quantificazione Regionale: Mentre la validazione interna ha mostrato prestazioni simili tra i due modelli, l'HDDPM ha dimostrato una maggiore affidabilità nel preservare l'accuratezza quantitativa regionale (SUVr) in presenza di dati fortemente degradati o provenienti da scanner esterni.
• Texture del Rumore: L'analisi del Noise Power Spectrum (NPS) ha indicato che entrambi i modelli producono texture di rumore simili internamente, sebbene l'HDDPM abbia preservato una potenza residua ad alta frequenza leggermente superiore nei dati esterni, suggerendo una migliore conservazione dei dettagli fini in scenari difficili.

Significatività e Rivendicazioni
Gli autori affermano che l'HDDPM fornisce un bias induttivo motivato fisicamente per il recupero quantitativo della PET a basso conteggio. Riflettendo la struttura del rumore dipendente dall'attività all'interno del processo di diffusione, il modello raggiunge una maggiore affidabilità in scenari in cui le assunzioni isotrope standard falliscono — specificamente nella riduzione estrema della dose e nella generalizzazione tra diversi scanner.

Il lavoro posiziona modestamente l'HDDPM come una prova di concetto che dimostra la fattibilità del noising eteroscedastico. Gli autori osservano che i parametri architettonici (ad esempio, durata dell'addestramento, scaling della varianza) non sono stati completamente ottimizzati, il che significa che i risultati riportati rappresentano il comportamento di base e il potenziale dell'approccio piuttosto che il suo limite assoluto di prestazione. La significatività principale risiede nel dimostrare che modellare la specifica degradazione fisica del sistema di imaging (eteroscedasticità) produce benefici tangibili per l'accuratezza quantitativa nella PET a basso conteggio, specialmente quando i dati sono scarsi o provengono da configurazioni di scanner non viste precedentemente.