Towards reconstructing experimental sparse-view X-ray CT data with diffusion models

Probleemstelling

Het herleiden van beelden uit X-ray Computertomografie (CT) met een beperkt aantal projecties (sparse-view CT) is een slecht gesteld invers probleem. Traditionele methoden en recente leer-gestuurde benaderingen worstelen hiermee. Diffusiemodellen zijn veelbelovende priors voor dit probleem, maar de meeste studies zijn gebaseerd op synthetische data. Er bestaat onzekerheid over de overdraagbaarheid naar experimentele (echte) data vanwege twee hoofdproblemen:

1. Domeinverschuiving (Domain Shift): Het verschil tussen de verdeling van de trainingsdata (vaak ideale, synthetische objecten) en de echte, fysieke objecten.
2. Forward Model Mismatch: Het verschil tussen het vereenvoudigde wiskundige forward-model (projectieoperator) en de complexe fysica van de werkelijke scan (bijv. geometrische onnauwkeurigheden, bundelverharding, verstrooiing en ruis).

De auteurs onderzoeken of en hoe diffusiemodellen succesvol kunnen worden toegepast op experimentele data, en welke factoren de prestaties beperken.

Methodologie

De auteurs hebben een gecontroleerde experimentele opzet ontworpen om de impact van domeinverschuiving en forward model mismatch te isoleren.

• Fysieke Phantom: Ze hebben een fysieke phantom gebouwd die lijkt op de standaard Shepp-Logan phantom, gemaakt door ellipsen uit te laseren in een PMMA-plaat. Sommige ellipsen waren lucht, andere gevuld met epoxy.
• Trainingsdata en Priors: Er zijn drie verschillende trainingsdatasets en bijbehorende diffusie-priors gemaakt:
  1. $f_{std}$ (Standard): Getraind op een smalle verdeling van de ideale, canonieke Shepp-Logan phantom.
  2. $f_{exp}$ (Experimental): Getraind specifiek op de geometrie van de fysieke, gelaserde phantom.
  3. $f_{mix}$ (Mixed): Getraind op een mengsel van beide, wat een bredere verdeling biedt.
• Reconstructiepiplijn: Ze gebruiken Decomposed Diffusion Sampling (DDS). Dit is een "plug-and-play" methode die de prior (het diffusiemodel) combineert met een likelihood-term (de data-consistentie) via Conjugate Gradient (CG) stappen.
• Testdomeinen: De modellen werden getest op vier niveaus van complexiteit:
  1. Ideale simulatie (synthetische data).
  2. CAD-simulatie (geometrisch verschoven naar de fysieke phantom).
  3. Reconstructie-simulatie (forward-projectie van een volledige reconstructie van de fysieke phantom, inclusief texturen).
  4. Experimentele meting: Directe data van de fysieke scanner.
• Inferentie-strategie: Er werd gekeken naar het effect van het gewicht van de likelihood-term ($\gamma$). In plaats van een constante waarde, werd een geannealde (lineaire afnemende) schedule getest, waarbij het gewicht hoog is in de vroege, ruizige stappen en lager wordt naarmate het beeld scherper wordt.

Belangrijkste Bijdragen

1. Analyse van Training Distribution: De studie toont aan dat een strikt op de doelgeometrie afgestemde prior ($f_{exp}$) niet per se beter presteert dan een diverse prior. Een diverse prior ($f_{mix}$) bleek robuuster tegen geometrische uitdagingen in echte objecten.
2. Forward Model Mismatch: Het papier identificeert dat mismatch in het forward-model niet alleen leidt tot streepartefacten, maar ook tot structurele hallucinaties. Het model vervormt kenmerken om te proberen de fysisch inconsistentie van de metingen te verklaren.
3. Inferentie-Optimalisatie: De auteurs demonstreren dat een geannealde likelihood-weight schedule cruciaal is voor het overbruggen van de "sim-to-real" kloof. Dit stelt het model in staat om eerst de globale geometrie vast te leggen en later de prior te laten domineren om ruis en artefacten te onderdrukken.

Resultaten

• Impact van de Prior:
  • In ideale simulaties presteerde de specifieke prior ($f_{std}$) het beste.
  • Bij overgang naar de fysieke phantom (CAD-simulatie) faalde de specifieke prior ($f_{exp}$) soms door een te smalle verdeling, terwijl de gemengde prior ($f_{mix}$) verrassend goed presteerde (tot 5 dB beter in sommige gevallen). De diversiteit in de training hielp bij het behoud van randen.
  • De gemengde prior ($f_{mix}$) bleek het meest robuust over alle domeinen, inclusief de experimentele data.
• Impact van Forward Model Mismatch:
  • Zelfs bij hoge resolutie (512x512) bleef er een prestatieverschil bestaan tussen gesimuleerde en experimentele data.
  • In de experimentele setting ($y_{exp}$) veroorzaakte een te hoge, constante likelihood-weight ($\gamma$) een catastrofale daling in kwaliteit (van ~26 dB naar ~14 dB) door het model te laten "hallucineren" om de fysische onnauwkeurigheden te compenseren.
• Inferentie en Efficiëntie:
  • Een lineaire afnemende schedule voor $\gamma$ herstelde de prestaties volledig voor experimentele data.
  • Opmerkelijk genoeg leverde deze schedule met veel minder sampling-stappen (NFE=100 in plaats van 1000) vaak betere of vergelijkbare resultaten op, wat de computationele kosten drastisch verlaagt.
  • Er is een trade-off: een hoge initiële $\gamma$ geeft betere PSNR (intensiteitsnauwkeurigheid), terwijl een lagere $\gamma$ betere SSIM (structurele gelijkenis) oplevert.

Significantie en Conclusie

Dit onderzoek is significant omdat het de eerste stap is in het systematisch begrijpen van waarom diffusiemodellen vaak falen bij de overgang van synthetische naar echte CT-data.

• Niet-lineaire overdracht: Prestatieverbeteringen op synthetische data vertalen zich niet automatisch naar experimentele data.
• Robuustheid door diversiteit: Een prior die is getraind op een diverse set van objecten (inclusief variaties) is vaak robuuster dan een prior die perfect is afgestemd op één specifiek, ideaal object.
• Praktische toepasbaarheid: De voorgestelde strategie van geannealde likelihood-weights biedt een praktische oplossing om de kloof tussen model en realiteit te overbruggen, zelfs met beperkte rekenkracht (weinig sampling-stappen).

De auteurs concluderen dat toekomstige ontwikkelingen zich moeten richten op validatie tegen echte benchmarks en dat de uitdagingen (zoals 3D-uitbreiding en complexe texturen) nog groter zullen zijn dan in deze gecontroleerde 2D-studie.