技術要約：Tracing the Oracle (TrO)

問題提起

学習済み拡散モデルは、スパースビューや限定角度再構成といった、極めて不良設定な3次元コンピュータ断層撮影（CT）逆問題を解決する上で大きな可能性を秘めています。しかし、その実用化は主に2つの制限によって阻まれています。

1. 計算オーバーヘッド： 高い忠実度を得るためには、通常、数千回の連続的なニューラル関数評価（NFE）が必要であり、膨大な計算負荷を強いることになります。
2. 非効率的なタイムステップ・スケジューリング： 既存の手法は、多くの場合、一様またはヒューリスティックなタイムステップ・スケジュール（例：Uniform-t, Cosine, EDM）に依存しています。これらのスケジュールは、逆条件付き拡散確率微分方程式（SDE）の非一様な進化を捉えることができません。その結果、特に厳格な計算予算（例：10ステップ未満）の下で動作する場合、大幅な打ち切り誤差（truncation errors）を導入してしまいます。さらに、無条件生成のために設計された標準的な最適化戦略（GITSなど）は、条件付き逆問題においては効果的ではありません。なぜなら、測定制約が「無条件生成多様体」を乱すこと、および条件付きソルバーの確率的な性質が決定論的な軌道の仮定を無効にするためです。

手法

著者らは、3D CT再構成のためのタイムステップ・スケジューリングを最適化するために設計された、プラグアンドプレイのフレームワークである Tracing the Oracle (TrO) を提案します。その核心となる哲学は、高密度にサンプリングされた数値積分軌道を高忠実度の「オラクル（神託）」として扱い、このオラクルに対する累積誤差を最小化するような、疎で最適化されたタイムステップのサブセットを抽出することにあります。

本手法は、以下の3つの主要コンポーネントで構成されています。

1. オラクル軌道の構築

参照軌道（$T_{oracle}$）は、データセットのサブセットに対して多数の評価回数（$N=200$）を用いて、Decomposed Diffusion Sampling (DDS) フレームワークを用いて生成されます。この高密度なパスは、特定の測定条件下における逆拡散プロセスのグラウンドトゥルース（真値）として機能します。

2. ノイズ再利用メカニズム

確率的な設定において、疎な近似とオラクルの間の誤差を定量化する際の重要な課題は、独立したノイズサンプリングによって導入される分散です。もし近似とオラクルが独立にノイズをサンプリングした場合、幾何学的な距離は変動し、真の決定論的な打ち切り誤差を隠蔽してしまいます。
これを解決するため、TrOは**ノイズ再利用（noise reuse）**技術を採用しています。ソース・タイムステップ $t_i$ からターゲット・タイムステップ $t_j$ への遷移コストを評価する際、オラクルの $t_{j-1}$ から $t_j$ への遷移中に注入された正確な確率的ノイズベクトル（$\epsilon_{j-1}$）を再利用します。これにより、決定論的な打ち切り誤差を確率的な分散から分離することが可能となり、精密な誤差定量化が可能になります。

3. 離散最短経路最適化

スケジューリング・タスクは、離散最短経路問題として定式化されます。目標は、累積遷移コストを最小化する $L$ 個のタイムステップ（$L \ll N$）のサブセットを選択することです。

• コスト関数： タイムステップ $t_i$ と $t_j$ の間のコスト $C_{i,j}$ は、幾何学的距離（打ち切り誤差）と正則化項の和として定義されます。
  $$C_{i,j} = \|x_{t_j|t_i} - x_{t_j}\|_2 + \kappa \left( (t_i - t_j) - \frac{T}{L} \right)^2$$
  この正則化項は、ネットワークが学習済みの条件付き多様体の外側で動作することを防ぐために、一様な時間間隔からの大きな逸脱にペナルティを課します。
• ソルバー： 動的計画法（DP）を用いて、この離散経路問題のグローバルな最適解を見つけ出します。貪欲法（greedy approach）とは異なり、DPは抽出されたスケジュールが累積誤差の最小値となることを保証します。

キャリブレーション・セット上でオフラインに計算された後、最適化されたスケジュールは、追加の計算オーバーヘッドなしに、3Dボリューム再構成の推論段階で適用されます。

主な貢献

1. プラグアンドプレイ・フレームワーク： 著者らは、3D逆問題における累積的な軌道誤差を最小化するために、タイムステップ・スケジューリングを離散最短経路問題として定式化したTrOを導入しました。
2. ノイズ再利用メカニズム： SDEベースのサンプリング軌道内において、決定論的な打ち切り誤差を確率的な分散から分離する新しい手法を導入しました。これにより、標準的な決定論的手法が失敗する条件付き設定においても、正確な誤差定量化が可能になります。
3. 性能向上： 広範な評価により、TrOが、厳格な計算予算（例：8〜15 NFE）の下でも、定義済みのヒューリスティック・スケジュールよりも一貫して再構成の忠実度（PS：PSNRおよびSSIM）を向上させることが示されました。これは、推論時間を増大させることなく実現されます。

実験結果

本フレームワークは、AAPMデータセットを用いたスパースビューCT（SV-CT）および限定角度CT（LA-CT）のタスクにおいて、最先端のDDSソルバーと統合して評価されました。

• 定量的性能： TrOは、異なるNFE予算（8、10、15ステップ）において、様々なベースライン（Uniform-t, Uniform-$\lambda$, Quadratic, EDM, Cosine）を上回る性能を示しました。
  • 8ビューのSV-CTタスクにおいて、8 NFEを用いた場合、TrOはPSNR 38.53（Axial）および 39.78（Coronal）を達成し、次に優れた手法（Quadratic）を大幅に上回りました。
  • Troleとベースラインとの性能差は、NFE予算が減少するにつれて拡大しており、少ステップ領域における効率性の高さが浮き彫りとなりました。
  • また、競争力のある結果を得るために通常数千のNFEを必要とする他の拡散ベースのソルバー（DiffMBIR, Score-Med, MCG）と比較しても、優れた性能を示しました。
• 定性的分析： 視覚的な比較により、特に再構成エラーが発生しやすい領域において、アーチファクトの抑制と詳細の保持が強化されていることが示されました。
• 適応的挙動： 最適化されたスケジュールの分析により、TrOが特定の測定演算子に適応していることが明らかになりました。低周波情報が信頼できないLA-CTでは、欠落した構造を合成するために逆プロセスの初期段階により多くのステップを割り当てたのに対し、SV-CTでは高周波の精緻化のために後半の段階に重点を置きました。

重要性と主張

本論文は、TrOが3D医療画像への拡散モデルの適用における重要なボトルネック、すなわち計算コストと再構成品質のトレードオフに対処すると主張しています。高忠実度のオラクルに基づくタイムステップ・スケジューリングを最適化し、ノイズ再利用によって確率的誤差定量化の問題を解決することで、TrOは以下を実現します。

• 高忠実度な少ステップ再構成： わずかな計算コスト（例：15ステップ未満）で、高NFEソルバーに匹敵する再構成品質を達成します。
• タスク固有の適応： 逆問題の劣化特性（例：スパースビュー vs 限定角度）に基づいて、重要な進化段階に計算リソースを動的に割り当てる能力。
• ゼロ・オーバーヘッド： 最適化はオフラインで行われるため、推論段階では標準的なサンプリングプロセス以外の追加の計算負荷は発生しません。

著者らは、TrOが少ステップ・サンプリングと計算負荷の高い高NFEソルバーとの性能差を縮めることにより、3D医療画像アプリケーションにおける拡散モデルの効率的かつ堅牢な展開を促進すると結論付けています。