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

Resumo Técnico: HDDPM para Recuperação Quantitativa de PET Cerebral com Baixa Contagem

Definição do Problema
A Tomografia por Emissão de Pósitrons (PET) enfrenta um compromisso crítico entre a qualidade da imagem diagnóstica e a exposição à radiação do paciente. A redução da dose injetada de radiotraçador para minimizar a radiação leva a aquisições de "baixa contagem", caracterizadas por ruído severo. Diferente das tarefas de processamento de imagem padrão, onde o ruído é frequentemente assumido como Gaussiano e estacionário, o ruído de PET de baixa contagem é inerentemente não-Gaussiano, não-estacionário e espacialmente dependente. Especificamente, a variância do ruído escala diretamente com a concentração local de radioatividade (estatística de Poisson) e é influenciada pelo algoritmo de reconstrução e pelas correções físicas.

Os modelos padrão de Difusão Probabilística de Denoising (DDPMs) falham em abordar essas realidades físicas. Seu processo de difusão direta adiciona ruído Gaussiano isotrópico e homocedástico (variância constante) à imagem alvo. Essa suposição ignora a natureza dependente da atividade da degradação do PET, levando a uma incompatibilidade entre o modelo de corrupção aprendido e a estrutura de ruído real do scanner. Consequentemente, os denoisers de aprendizado profundo padrão costumam ter dificuldade em generalizar para diferentes níveis de dose ou tipos de scanner, exibindo problemas como excesso de suavização (over-smoothing) ou sub-denoising quando aplicados a dados com características de ruído diferentes de sua distribuição de treinamento.

Metodologia
Os autores propõem o Modelo de Difusão Probabilística de Denoising Heterocedástico (HDDPM), um framework projetado para incorporar a estrutura de ruído física do PET diretamente no processo de difusão.

1. Formulação do Problema: A tarefa é formulada como uma reconstrução 3D imagem-para-imagem pareada que prevê o resíduo ($r = x_{HD} - x_{LD}$) entre uma referência de dose padrão ($x_{HD}$) e uma entrada de baixa contagem ($x_{LD}$). A saída final é reconstruída adicionando o resíduo previsto de volta à entrada de baixa contagem. Esta abordagem preserva a estrutura anatômica presente na entrada enquanto foca a capacidade da rede em aprender a degradação dependente da contagem.
2. Processo de Difusão Direta Heterocedástico: Ao contrário dos DDPMs padrão que utilizam um cronograma de variância escalar, o HDDPM substitui a variância escalar por um mapa de escala de variância voxel a voxel, $g(v)$.
   • Este mapa é gerado por um módulo baseado em Poisson congelado (não aprendido durante o treinamento) que calcula a variância local com base na intensidade de uma imagem de referência ($v$).
   • A variância é inversamente proporcional à atividade local: regiões de baixa atividade recebem perturbação de ruído mais forte, enquanto regiões de alta atividade recebem perturbação mais fraca, mimetizando a natureza heterocedástica das estatísticas de contagem do PET.
   • Durante o treinamento, a dose padrão serve como referência de variância. Durante a inferência, o modelo é condicionado apenas na imagem de baixa contagem e na fração de dose, sem a necessidade de um mapa derivado do alvo.
3. Arquitetura de Rede e Condicionamento: A rede de denoising utiliza um backbone 3D U-Net em modo de predição de $x_0$. Ela recebe o resíduo ruidoso, a imagem de condicionamento de baixa contagem, o passo de tempo da difusão e a fração de dose como variáveis de condicionamento explícitas. Metadados (idade, peso, modelo do scanner) também são incluídos, quando disponíveis.
4. Estratégia de Treinamento: O modelo é treinado para minimizar a perda de reconstrução do resíduo. Para lidar com o desafio clínico da redução extrema de dose, casos de baixa contagem severa foram ponderados (upweighted) durante a amostragem.

Principais Contribuições

• Reformulação Heterocedástica: O artigo introduz uma nova reformulação do processo de difusão direta de DDPM para imagens médicas, substituindo o ruído Gaussiano isotrópico por um modelo de ruído dependente da intensidade e espacialmente variável derivado de estatísticas de Poisson.
• Aprendizado de Resíduo com Condicionamento de Dose: O framework combina o aprendizado de resíduo (predizendo a diferença entre baixas e altas contagens) com o condicionamento explícito da fração de dose, permitindo que o modelo se adapte a vários níveis de dose simulados (1% a 50%) sem necessidade de retreinamento.
• Avaliação Controlada: O estudo fornece uma comparação estritamente controlada entre o proposto HDDPM e um baseline de DDPM isotrópico, isolando o impacto específico do modelamento de ruído heterocedástico ao manter todos os outros parâmetros arquiteturais e de treinamento idênticos.

Resultados
O HDDPM foi avaliado em três tipos diferentes de scanners (Siemens Biograph Vision Quadra, United Imaging uExplorer e um Siemens Biograph mMR externo) utilizando tanto conjuntos de dados internos quanto externos em níveis de dose simulados variando de 1% a 50%.

• Qualidade Global da Imagem: O HDDPM e o DDPM isotrópico padrão demonstraram qualidade de imagem global comparável (medida por PSNR, SSIM e SUV NMAE) na maioria dos níveis de dose e conjuntos de dados.
• Robustez em Baixa Dose: A principal vantagem do HDDPM emergiu nos scans externos de dose mais baixa (1%). Neste cenário desafiador e fora da distribuição (out-of-distribution), o HDDPM reduziu significativamente os erros de medição em comparação com o modelo padrão. Especificamente, na coorte externa em 1% de contagens, o HDDPM reduziu o erro de SUVr de baixa captação para 2,40% em comparação com 3,10% para o DDPM isotrópico ($p < 0,001$).
• Quantificação Regional: Enquanto a validação interna mostrou desempenho semelhante entre os dois modelos, o HDDPM demonstrou maior confiabilidade na preservação da precisão quantitativa regional (SUVr) em dados fortemente degradados ou externos.
• Textura de Ruído: A análise do Espectro de Potência de Ruído (NPS) indicou que ambos os modelos produziram texturas de ruído semelhantes internamente, embora o HDDPM tenha preservado um pouco mais de potência residual de alta frequência em dados externos, sugerindo uma melhor preservação de detalhes finos em cenários difíceis.

Significância e Alegações
Os autores afirmam que o HDDPM fornece um viés indutivo motivado fisicamente para a recuperação quantitativa de PET de baixa contagem. Ao refletir a estrutura de ruído dependente da atividade do sistema de imagem dentro do processo de difusão, o modelo alcança maior confiabilidade em cenários onde as suposições isotrópicas padrão falham — especificamente em reduções extremas de dose e generalização entre scanners.

O artigo posiciona modestamente o HDDPM como uma prova de conceito demonstrando a viabilidade de noising heterocedástico. Os autores observam que os parâmetros arquiteturais (ex: duração do treinamento, escala de variância) não foram totalmente otimizados, o que significa que os resultados relatados representam o comportamento básico e o potencial da abordagem, em vez de seu teto absoluto de desempenho. A principal significância reside em provar que modelar a degradação física específica do sistema de imagem (heterocedasticidade) gera benefícios tangíveis para a precisão quantitativa em PET de baixa contagem, particularmente quando os dados são escassos ou provêm de configurações de scanner não vistas anteriormente.