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

Technische Samenvatting: HDDPM voor kwantitatief herstel van Low-Count Brain PET

Probleemstelling
Positron Emissie Tomografie (PET) staat voor een kritieke afweging tussen diagnostische beeldkwaliteit en de stralingsbelasting van de patiënt. Het verminderen van de geïnjecteerde radioactieve tracer om de straling te minimaliseren, leidt tot "low-count" acquisities die worden gekenmerkt door ernstige ruis. In tegenstelling tot standaard beeldverwerkingstaken, waarbij ruis vaak als Gaussisch en stationair wordt beschouwd, is de low-count PET-ruis inherent niet-Gaussisch, niet-stationair en ruimtelijk afhankelijk. Specifiek schaalt de ruisvariantie direct met de lokale radioactiviteitsconcentratie (Poisson-statistiek) en wordt deze beïnvloed door het reconstructiealgoritme en fysieke correcties.

Standaard Denoising Diffusion Probabilistic Models (DDPMs) adresseren deze fysieke realiteiten niet. Hun forward diffusieproces voegt isotrope, homoscedastische (constante variantie) Gaussische ruis toe aan het doelbeeld. Deze aanname negeert het activiteitsafhankelijke karakter van de PET-degradatie, wat leidt tot een mismatch tussen het geleerde corruptiemodel en de werkelijke fysieke ruisstructuur van de scanner. Bijgevolg hebben standaard deep learning denoisers vaak moeite met het generaliseren naar verschillende dosisniveaus of scannertypes, wat leidt tot problemen zoals overmatige smoothing (over-smoothing) of onvoldoende denoising wanneer ze worden toegepast op data met andere ruiskarakteristieken dan hun trainingsdistributie.

Methodologie
De auteurs stellen het Heteroscedastic Denoising Diffusion Probabilistic Model (HDDPM) voor, een framework dat ontworpen is om de fysieke ruisstructuur van PET direct in het diffusieproces te integreren.

1. Probleemformulering: De taak wordt geformuleerd als een gepaard 3D image-to-image reconstructie waarbij het model het residue ($r = x_{HD} - x_{LD}$) voorspelt tussen een standaard-dosis referentie ($x_{HD}$) en een low-count input ($x_{LD}$). Het uiteindelijke outputbeeld wordt gereconstrueerd door het voorspelde residue terug te voegen aan de low-count input. Deze aanpak behoudt de anatomische structuur die aanwezig is in de input, terwijl de capaciteit van het netwerk zich concentreert op het leren van de count-afhankelijke degradatie.
2. Heteroscedastisch Forward Proces: In tegen tegenstelling tot standaard DDPMs die een scalaire variantieschema gebruiken, vervangt HDDPM de scalaire variantie door een voxel-gewijze variantie-schaleringskaart, $g(v)$.
   • Deze kaart wordt gegenereerd door een bevroren, Poisson-gebaseerde module (niet geleerd tijdens de training) die de lokale variantie berekent op basis van de intensiteit van een referentiebeeld ($v$).
   • De variantie is omgekeerd evenredig met de lokale activiteit: regio's met lage activiteit ontvangen sterkere ruisperturbatie, terwijl regio's met hoge activiteit zwakkere perturbatie ontvangen, wat de heteroscedastische aard van PET-count statistieken nabootst.
   • Tijdens de training dient de standaard-dosis target als de variantie-referentie. Tijdens de inferentie is het model alleen geconditioneerd op het low-count beeld en de dosisfractie, zonder dat een target-afgeleide kaart vereist is.
3. Netwerkarchitectuur & Conditionering: Het denoising netwerk maakt gebruik van een 3D U-Net backbone in $x_0$-predictie modus. Het neemt het ruizige residue, het low-count conditionerende beeld, de diffusie-tijdstap en de dosisfractie als expliciete conditionele variabelen. Metadata (leeftijd, gewicht, scannermodel) wordt ook meegenomen waar beschikbaar.
4. Trainingsstrategie: Het model wordt getraind om de residue reconstructie-loss te minimaliseren. Om de klinische uitdaging van extreme dosisreductie aan te pakken, werden ernstige low-count gevallen zwaarder gewogen tijdens de sampling.

Belangrijkste Bijdragen

• Heteroscedastische Herformulering: Het artikel introduceert een nieuwe herformulering van het DDPM forward proces voor medische beeldvorming, waarbij isotrope Gaussische ruis wordt vervangen door een intensiteitsbewuste, ruimtelijk variërende ruismodel afgeleid van Poisson-statistieken.
• Residueel Leren met Dosis-Conditionering: Het framework combineert residueel leren (het voorspellen van het verschil tussen low en standard counts) met expliciete dosisfractie-conditionering, waardoor het model kan adapteren aan diverse gesimuleerde dosisniveaus (1% tot 50%) zonder hertraining.
• Gecontroleerde Evaluatie: De studie biedt een strikt gecontroleerde vergelijking tussen het voorgestelde HDDPM en een isotrope DDPM baseline, waarbij het specifieke effect van het modelleren van heteroscedastische ruis wordt geïsoleerd door alle andere architecturale en trainingsparameters identiek te houden.

Resultaten
De HDDPM werd geëvalueerd over drie verschillende scannertypes (Siemens Biograph Vision Quadra, United Imaging uExplorer, en een externe Siemens Biograph mMR) met gebruik van zowel interne als externe datasets bij gesimuleerde dosisniveaus variërend van 1% tot 50%.

• Algemene Beeldkwaliteit: HDDPM en de standaard isotrope DDPM vertoonden vergelijkbare globale beeldkwaliteit (gemeten via PSNR, SSIM en SUV NMAE) over de meeste dosisniveaus en datasets.
• Robuustheid bij Lage Dosis: Het primaire voordeel van HDDPM kwam naar voren in de laagste dosis (1%) externe scans. In dit uitdagende, out-of-distribution scenario, reduceerde HDDPM de meetfouten aanzienlijk vergeleken met het standaard model. Specifiek in de externe cohort bij 1% counts, reduceerde HDDPM de low-uptake SUVr fout naar 2,40% vergeleken met 3,10% voor de isotrope DDPM ($p < 0,001$).
• Regionale Kwantificatie: Terwijl de interne validatie vergelijkbare prestaties liet zien tussen de twee modellen, toonde HDDPM een superieure betrouwbaarheid in het behouden van regionale kwantitatieve nauwkeurigheid (SUVr) in zwaar gedegradeerde of externe data.
• Ruistextuur: Noise Power Spectrum (NPS) analyse gaf aan dat beide modellen vergelijkbare ruistexturen produceerden intern, hoewel HDDPM iets meer hoogfrequente residuele power behield in externe data, wat duidt op een betere preservatie van fijne details in moeilijke scenario's.

Betekenis en Claims
De auteurs beweren dat HDDPM een fysiek gemotiveerde inductieve bias biedt voor kwantitatief herstel van low-count PET. Door de activiteitsafhankelijke ruisstructuur van PET te reflecteren binnen het diffusieproces, bereikt het model een grotere betrouwbaarheid in scenario's waar standaard isotrope aannames falen—met name in extreme dosisreductie en cross-scanner generalisatie.

Het artikel positioneert HDDPM bescheiden als een proof-of-concept die de haalbaarheid van heteroscedastische noising aantoont. De auteurs merken op dat architecturale parameters (bijv. trainingsduur, variantie-schaling) niet volledig geoptimaliseerd waren, wat betekent dat de gerapporteerde resultaten de basisgedraging en het potentieel van de aanpak vertegenwoordigen in plaats van de absolute prestatieplafond. De kernbetekenis ligt in het bewijs dat het modelleren van de specifieke fysieke degradatie van het beeldvormingssysteem (heteroscedasticiteit) tastbare voordelen oplevert voor de kwantitatieve nauwkeurigheid in low-count PET, vooral wanneer data schaars is of afkomstig is van ongeziene scannerconfiguraties.