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

기술 요약: 정량적 저계수 뇌 PET 복원을 위한 HDDPM

문제 정의
양전자 방출 단층 촬영(PET)은 진단적 영상 품질과 환자의 방사선 노출 사이에서 중대한 절충안에 직면해 있습니다. 방사성 의약품 주입량을 줄여 방사선을 최소화하면, 심각한 노이즈를 특징으로 하는 "저계수(low-count)" 획득이 발생합니다. 일반적인 영상 처리 작업에서는 노이즈가 가우시안(Gaussian)이며 정상성(stationary)을 갖는다고 가정하는 것과 달리, 저계수 PET 노이즈는 본질적으로 비가우시안(non-Gaussian), 비정상성(non-stationary) 및 공간 의존적입니다. 구체적으로, 노이즈 분산은 국소적 방사능 농도에 직접 비례하며(포아송 통계), 재구성 알고리즘 및 물리적 보정의 영향을 받습니다.

표준 디노이징 확산 확률 모델(DDPM)은 이러한 물리적 실체를 해결하는 데 실패합니다. 이들의 순방향 확산 과정은 타겟 이미지에 등방성(isotropic) 및 등분산성(homoscedastic, 일정한 분산) 가우시안 노이즈를 추가합니다. 이러한 가정은 PET의 활동 의존적 노이즈 특성을 무시하며, 이는 학습된 손상 모델과 실제 스캐너의 물리적 노이즈 구조 사이의 불일치를 초래합니다. 결과적으로, 표준 딥러닝 디노이저는 학습 분포와 다른 노이즈 특성을 가진 데이터에 적용될 때 과도한 평활화(over-smoothing) 또는 불충분한 디노이징과 같은 문제를 보이며 일반화에 어려움을 겪습니다.

방법론
저자들은 물리적 노이즈 구조를 확산 과정에 직접 통합하도록 설계된 프레임워크인 **이분산 디노이징 확산 확률 모델(Heteroscedastic Denoising Diffusion Probabilistic Model, HDDPM)**을 제안합니다.

1. 문제 정식화: 이 작업은 표준 용량 참조 영상($x_{HD}$)과 저계수 입력 영상($x_{LD}$) 사이의 잔차(residual, $r = x_{HD} - x_{LD}$)를 예측하는 3D 이미지 대 이미지(image-to-image) 재구성 문제로 구성됩니다. 최종 출력은 예측된 잔차를 저계수 입력에 다시 더함으로써 재구성됩니다. 이 접근 방식은 입력에 존재하는 해부학적 구조를 보존하면서 네트워크의 역량을 계수 의존적 퇴화(degradation)를 학습하는 데 집중시킵니다.
2. 이분산 순방향 과정(Heteroscedastic Forward Process): 표준 DDPM이 스칼라 분산 스케줄을 사용하는 것과 달리, HDDPM은 스칼라 분산을 복셀 단위 분산 스케일링 맵 $g(v)$로 대체합니다.
   • 이 맵은 (학습 중에 학습되지 않는) 동결된 포아송 기반 모듈에 의해 생성되며, 참조 영상($v$)의 강도를 기반으로 국소 분산을 계산합니다.
   • 분산은 국소 활동량에 반비례합니다. 즉, 활동량이 낮은 영역은 더 강한 노이즈 섭동(perturbation)을 받고, 활동량이 높은 영역은 더 약한 섭동을 받는데, 이는 PET 계수 통계의 이분산적 특성을 모사합니다.
   • 학습 시에는 표준 용량 타겟이 분산 참조 역할을 합니다. 추론 시에는 타겟 유래 맵 없이 저계수 영상과 용량 비율(dose fraction)에 의해서만 조건화(conditioned)됩니다.
3. 네트워크 아키텍처 및 조건화: 디노이징 네트워크는 $x_0$ 예측 모드에서 3D U-Net 백본을 사용합니다. 이 모델은 노이즈가 섞인 잔차, 저계수 조건부 이미지, 확산 타임스텝(timestep), 그리고 용량 비율을 명시적인 조건 변수로 입력받습니다. 사용 가능한 경우 연령, 체중, 스캐너 모델과 같은 메타데이터도 포함됩니다.
4. 학습 전략: 모델은 잔차 재구성 손실을 최소화하도록 학습됩니다. 극심한 용량 감소라는 임상적 과제를 다루기 위해, 샘플링 과정에서 심각한 저계수 사례들에 대한 가중치를 높였습니다.

주요 기여

• 이분산 재정식화: 본 논문은 표준적인 등방성 가우시안 노이즈를 포아송 통계에서 유도된 강도 인지형 공간 가변 노이즈 모델로 대체함으로써, 의료 영상에 대한 DDPM의 새로운 재정식화를 도입했습니다.
• 용량 조건화가 포함된 잔차 학습: 프레임워크는 잔차 학습(저계수와 표준 계수 간의 차이 예측)과 명시적인 용량 비율 조건화를 결зу합하여, 재학습 없이도 다양한 시뮬레이션 용량 수준(1% ~ 50%)에 적응할 수 있게 합니다.
• 통제된 평가: 연구는 모든 아키텍처 및 학습 파라미터를 동일하게 유지함으로써, 이분산 노이즈를 모델링하는 구체적인 영향을 격리하여 제안된 HDDPM과 표준 등방성 DDPM 베이스라인 간의 엄격한 비교를 제공합니다.

결과
HDDPM은 세 가지 다른 스캐너 유형(Siemens Biograph Vision Quadra, United Imaging uExplorer, 외부 Siemens Biograph mMR)에 대해 내부 및 외부 데이터셋을 사용하여 시뮬레이션된 용량 수준(1% ~ 50%)에서 평가되었습니다.

• 전반적인 영상 품질: 대부분의 용량 수준과 데이터셋에서 HDDPM과 표준 등방성 DDPM은 유사한 전역적 영상 품질(PSNR, SSIM, SUV NMAE로 측정)을 보였습니다.
• 저용량 강건성(Low-Dose Robustness): HDDPM의 주요 장점은 가장 낮은 용량(1%)의 외부 스캔에서 나타났습니다. 이 도전적인 분포 외(out-of-distribution) 시나리오에서, HDDPM은 표준 모델에 비해 측정 오차를 유의미하게 줄였습니다. 구체적으로, 1% 계수에서의 외부 코호트 분석 결과, HDDPM은 저섭취(low-uptake) SUVr 오차를 등방성 DDPM의 3.10% 대비 **2.40%**로 감소시켰습니다 ($p < 0.001$).
• 영역별 정량화: 내부 검증에서는 두 모델 간의 성능이 유사하게 나타났으나, HDDPM은 심하게 퇴화된 데이터나 외부 데이터에서 영역별 정량적 정확도(SUVr)를 유지하는 데 있어 더 우수한 신뢰성을 보여주었습니다.
• 노이즈 질감: 노이즈 전력 스펙트럼(NPS) 분석 결과, 두 모델 모두 내부적으로는 유사한 노이즈 질감을 생성했으나, HDDPM은 외부 데이터에서 약간 더 높은 고주파 잔류 전력을 유지하여 어려운 시나리오에서도 미세한 세부 사항을 더 잘 보존함을 시사했습니다.

의의 및 주장
저자들은 HDDPM이 정량적 저계수 PET 복원을 위해 **물리적으로 동기화된 귀납적 편향(inductive bias)**을 제공한다고 주장합니다. 확산 과정 내에 활동 의존적 노이즈 구조를 반영함으로써, 모델은 표준 등방성 가정이 실패하는 시나리오—특히 극단적인 용량 감소 및 교차 스캐너 일반화 상황—에서 더 높은 신뢰성을 달al성합니다.

본 논문은 HDDPM을 이분산 노이징의 타당성을 입증하는 **개념 증명(proof-of-concept)**으로 겸허히 위치시킵니다. 저자들은 아키텍처 파라미터(예: 학습 기간, 분산 스케일링)가 완전히 최적화되지 않았음을 언급하며, 보고된 결과가 절대적인 성능 상한선이라기보다는 해당 접근 방식의 기본적인 동작과 잠재력을 나타낸다고 명시했습니다. 핵심적인 의의는 특정 물리적 퇴화(이분산성)를 모델링하는 것이 데이터가 부족하거나 보이지 않는 스캐너 구성에서 오는 데이터의 경우, 정량적 정확도를 위한 실질적인 이점을 제공한다는 점을 입증하는 데 있습니다.