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

技術要約：定量的低カウント脳PETリカバリのためのHDDPM

問題提起
陽電子放出断層撮影（PET）は、診断画像の品質と患者への放射線被曝の間の決定的なトレードオフに直面している。放射性薬剤の注入量を減らして放射線曝露を最小限に抑えると、「低カウント」の撮像が行われるが、これは深刻なノイズを伴う。標準的な画像処理タスクでは、ノイズはしばしばガウス分布に従う定常的なものと仮定されるが、低カウントPETのノisは本質的に非ガウス的、非定常的、かつ空間依存的である。具体的には、ノイズの分散は局所的な放射能濃度に直接比例し（ポアソン統計）、再構成アルゴリズムや物理的補正の影響を受ける。

標準的なデノイジング拡散確率モデル（DDPM）は、これらの物理的な実態に対処できていない。そのフォワード拡散プロセスは、ターゲット画像に対して等方的で等分散（分散が一定）なガウスノイズを加える。この仮定は、PETの活動依存的な劣化特性を無視しており、学習された破損モデルとスキャナーの実際の物理的なノイズ構造との間にミスマッチを生じさせる。その結果、標準的なディープラーニングによるデノイザーは、訓練分布とは異なるノイズ特性を持つデータに適用された際、過度な平滑化（オーバースムージング）やデノイジング不足といった問題を示し、さまざまなドーズレベルやスキャナータイプへの汎化に苦慮することが多い。

手法
著者らは、PETの物理的なノイズ構造を拡散プロセスに直接組み込むために設計されたフレームワークである、**ヘテロセダスティック・デノイジング拡散確率モデル（HDDPM）**を提案している。

1. 問題定式化： タスクは、標準的な投与量の参照画像（$x_{HD}$）と低カウントの入力画像（$x_{LD}$）の間の残差（$r = x_{HD} - x_{LD}$）を予測する、ペアを用いた3D画像間変換（image-to-image reconstruction）として定式化される。最終的な出力は、予測された残差を低カウント入力に加算することによって再構成される。このアプローチは、入力に含まれる解剖学的構造を保持しながら、ネットワークの容量をカウント依存の劣化の学習に集中させる。
2. ヘテロセダスティック・フォワードプロセス： 標準的なDDPMがスカラーの分散スケジュールを使用するのに対し、HDDPMはスカラーの分散をボクセル単位の分散スケーリングマップ $g(v)$ に置き換える。
   • このマップは、参照画像（$v$）の強度に基づいて局所的な分散を計算する、凍結されたポアソンベースのモジュール（学習中には更新されない）によって生成される。
   • 分散は局所的な活動量に反比例する。すなわち、活動量が低い領域にはより強いノイズ摂動が加わり、活動量が高い領域にはより弱い摂動が加わることで、PETのカウント統計学的なヘテロセダスティック（不等分散）な性質を模倣する。
   • 訓練時、標準投与量のターゲットが分散の参照として機能する。推論時、モデルはターゲット由来のマップを必要とせず、低カウント画像とドーズ比率のみによって条件付けられる。
3. ネットワークアーキテクチャとコンディショニング： デノイジングネットワークは、$x_0$予測モードを用いた3D U-Netバックボーンを利用する。これは、ノイズを含む残差、低カウントのコンディショニング画像、拡散タイムステップ、およびドーズ比率を明示的なコンディショニング変数として受け取る。メタデータ（年齢、体重、スキャナーモデル）も利用可能な場合は含まれる。
4. 訓練戦略： モデルは残差再構成損失を最小化するように訓練される。極端なドーズ削減という臨床上の課題に対処するため、サンプリング時には深刻な低カウント症例の重み付けを強化した。

主な貢献

• ヘテロセダスティックな再定式化： 本論文は、等方的なガウスノイズを、ポアソン統計から導出された強度依存的かつ空間的に変化するノイズモデルに置き換えることで、医療画像のためのDDPMのフォワードプロセスに対する新しい再定式化を導入した。
• ドーズコンディショニングを伴う残差学習： 本フレームワークは、残差学習（低カウントと標準カウントの差の予測）と明示的なドーズ比率コンディショニングを組み合わせることで、再学習を行うことなく、さまざまなシミュレーションされたドーズレベル（1%から50%）に適応することを可能にしている。
• 制御された評価： 本研究は、提案されたHDDPMと標準的な等方的DDPMのベースラインとの間で厳密に制御された比較を提供し、他のすべてのアーキテクチャおよび訓練パラメータを同一に保つことで、ヘテロセダスティックなノイズをモデリングすることによる具体的な影響を分離して検証している。

結果
HDDPMは、内部および外部のデータセットを用い、シミュレートされたドーズレベル（1%から50%）において、3種類の異なるスキャナータイプ（Siemens Biograph Vision Quadra、United Imaging uExplorer、および外部のSiemens Biograph mMR）にわたって評価された。

• 全体的な画質： ほとんどのドーズレベルおよびデータセットにおいて、HDDPMと標準的な等方的DDPMは、同等のグローバルな画質（PSNR、SSIM、およびSUV NMAEで測定）を示した。
• 低ドーズへの堅牢性： HDDPMの主な利点は、最も低いドーズレベル（1%）の外部スキャンにおいて顕著に現れた。この困難なアウトオブディストリビューション（分布外）のシナリオにおいて、HDDPMは標準的なモデルと比較して測定誤差を大幅に減少させた。具体的には、1%カウントの外部コホートにおいて、HDDPMは低取り込み領域のSUVr誤差を、等方的DDPMの3.10%に対し、**2.40%**に低減した（$p < 0.001$）。
• 領域的な定量性： 内部検証では両モデル間で同様の性能が示されたが、HDDPMは、高度に劣化したデータや外部データにおいて、領域的な定量的精度（SUVr）を保持する上で優れた信頼性を示した。
• ノイズテクスチャ： ノイズパワースペクトル（NPS）分析により、両モデルが内部的には同様のノイズテクスチャを生成することが示されたが、HDDPMは外部データにおいてわずかに高い高周波残留パワーを保持しており、困難なシナリオにおける微細な詳細の保持能力が高いことが示唆された。

意義と主張
著者らは、HDDPMが定量的低カウントPETリカバリのための物理的に動機付けられた帰納バイアスを提供すると主張している。画像劣化の活動依存的なノイズ構造を拡散プロセス内に反映させることで、標準的な等方的仮定が失敗するシナリオ（特に極端なドーズ削減やクロススキャナーの汎化）において、より高い信頼性を達成している。

本論文は、HDDPMをヘテロセダスティックなノイジングの実現可能性を示す**概念実証（proof-of-concept）**として控えめに位置づけている。著者らは、アーキテクチャのパラメータ（訓練期間や分散スケーリングなど）が完全に最適化されていないことを指摘しており、報告された結果は絶対的な性能の限界値ではなく、このアプローチの基本的な挙動と潜在能力を示すものであるとしている。核心的な意義は、イメージングシステムの特定の物理的劣化（ヘテロセダスティシティ）をモデリングすることが、データが乏しい場合や未知のスキャナー構成からのデータにおいて、定量的な正確性のための具体的な利益をもたらすことを証明した点にある。