MAP-Diff: 다중 앵커 가이드 디퓨전 - 점진적인 3차원 전신 저선량 PET 영상 노이즈 제거

MAP-Diff: Multi-Anchor Guided Diffusion for Progressive 3D Whole-Body Low-Dose PET Denoising

저선량 양전자 방출 단층 촬영(PET)은 방사선 노출을 줄이지만 심각한 노이즈와 정량적 성능 저하를 겪습니다. 디퓨전 기반 노이즈 제거 모델은 강력한 최종 결과물을 제공하지만, 일반적으로 역방향 과정은 제약 없이 진행되며 PET 영상의 점진적인 투여 과정과 일치하지 않습니다. 본 연구에서는 점진적인 3차원 전신 PET 영상 노이즈 제거를 위한 다중 앵커 가이드 디퓨전 프레임워크인 MAP-Diff를 제안합니다. MAP-Diff는 임상적으로 관찰되는 중간 용량 스캔을 경로 앵커로 활용하고, 시간 단계에 따른 감독 학습을 통해 역방향 과정을 투여량과 일치하는 중간 상태로 규제합니다. 앵커 시간 단계를 시뮬레이션된 디퓨전 노이즈와 실제 다중 용량 PET 데이터 쌍 간의 성능 차이를 비교하여 조정하며, 시간 단계 가중 앵커 손실을 사용하여 단계별 학습을 안정화합니다. 추론 과정에서 모델은 극히 낮은 용량의 입력만 필요하며, 점진적이고 투여량과 일관성 있는 중간 영상 복원을 가능하게 합니다. 내부 데이터셋(Siemens Biograph Vision Quadra) 및 교차 스캐너 데이터셋(United Imaging uEXPLORER)에 대한 실험 결과, MAP-Diff는 강력한 CNN, Transformer, GAN 및 디퓨전 기반 모델을 포함한 기존 모델보다 일관되게 성능이 향상되었습니다. 내부 데이터셋에서 MAP-Diff는 PSNR을 42.48 dB에서 43.71 dB (+1.23 dB)로 향상시키고, SSIM을 0.986으로 증가시키며, NMAE를 0.115에서 0.103 (-0.012)으로 감소시켰습니다. 성능 향상은 스캐너에 관계없이 나타났으며, 외부 데이터셋에서 PSNR 34.42 dB 및 NMAE 0.141을 달성하여 모든 경쟁 모델보다 우수한 성능을 보였습니다.

Low-dose Positron Emission Tomography (PET) reduces radiation exposure but suffers from severe noise and quantitative degradation. Diffusion-based denoising models achieve strong final reconstructions, yet their reverse trajectories are typically unconstrained and not aligned with the progressive nature of PET dose formation. We propose MAP-Diff, a multi-anchor guided diffusion framework for progressive 3D whole-body PET denoising. MAP-Diff introduces clinically observed intermediate-dose scans as trajectory anchors and enforces timestep-dependent supervision to regularize the reverse process toward dose-aligned intermediate states. Anchor timesteps are calibrated via degradation matching between simulated diffusion corruption and real multi-dose PET pairs, and a timestep-weighted anchor loss stabilizes stage-wise learning. At inference, the model requires only ultra-low-dose input while enabling progressive, dose-consistent intermediate restoration. Experiments on internal (Siemens Biograph Vision Quadra) and cross-scanner (United Imaging uEXPLORER) datasets show consistent improvements over strong CNN-, Transformer-, GAN-, and diffusion-based baselines. On the internal dataset, MAP-Diff improves PSNR from 42.48 dB to 43.71 dB (+1.23 dB), increases SSIM to 0.986, and reduces NMAE from 0.115 to 0.103 (-0.012) compared to 3D DDPM. Performance gains generalize across scanners, achieving 34.42 dB PSNR and 0.141 NMAE on the external cohort, outperforming all competing methods.