3D 웨이블릿 기반 구조적 사전 지식을 활용한 제어 확산 모델을 이용한 전신 저선량 PET 영상 잡음 제거

3D Wavelet-Based Structural Priors for Controlled Diffusion in Whole-Body Low-Dose PET Denoising

저선량 양전자 방출 단층 촬영(PET)은 환자의 방사선 노출을 줄이지만, 영상 품질과 진단 신뢰도를 저하시키는 잡음이 증가하는 단점이 있습니다. 확산 모델은 강력한 잡음 제거 능력을 보여주지만, 그 확률적 특성 때문에 해부학적으로 일관된 구조를 유지하기 어렵습니다. 특히 신호 대 잡음비가 낮고 전신 3차원 이미징에서는 더욱 그렇습니다. 본 연구에서는 웨이블릿 표현을 통해 명시적인 주파수 영역 구조적 사전 지식을 활용하여 전신 PET 영상의 잡음을 제거하는 완전 3차원 확산 기반 프레임워크인 Wavelet-Conditioned ControlNet (WCC-Net)을 제안합니다. WCC-Net은 가벼운 제어 브랜치를 통해 미리 학습된 확산 모델의 핵심 구조에 웨이블릿 기반의 구조적 가이드를 주입하여, 잡음으로부터 해부학적 구조를 분리하면서도 생성적인 표현력과 3차원 구조적 연속성을 유지합니다. 광범위한 실험 결과, WCC-Net은 CNN, GAN, 그리고 기존 확산 모델 기반의 방법보다 우수한 성능을 보였습니다. 내부 1/20-선량 테스트 데이터 세트에서 WCC-Net은 PSNR을 +1.21 dB, SSIM을 +0.008만큼 향상시켰으며, 동시에 구조적 왜곡(GMSD)과 강도 오차(NMAE)를 줄였습니다. 또한, WCC-Net은 1/50 및 1/4와 같이 새로운 선량 수준에서도 안정적으로 일반화 성능을 보이며, 우수한 정량적 성능과 향상된 전신 해부학적 일관성을 달성했습니다.

Low-dose Positron Emission Tomography (PET) imaging reduces patient radiation exposure but suffers from increased noise that degrades image quality and diagnostic reliability. Although diffusion models have demonstrated strong denoising capability, their stochastic nature makes it challenging to enforce anatomically consistent structures, particularly in low signal-to-noise regimes and volumetric whole-body imaging. We propose Wavelet-Conditioned ControlNet (WCC-Net), a fully 3D diffusion-based framework that introduces explicit frequency-domain structural priors via wavelet representations to guide volumetric PET denoising. By injecting wavelet-based structural guidance into a frozen pretrained diffusion backbone through a lightweight control branch, WCC-Net decouples anatomical structure from noise while preserving generative expressiveness and 3D structural continuity. Extensive experiments demonstrate that WCC-Net consistently outperforms CNN-, GAN-, and diffusion-based baselines. On the internal 1/20-dose test set, WCC-Net improves PSNR by +1.21 dB and SSIM by +0.008 over a strong diffusion baseline, while reducing structural distortion (GMSD) and intensity error (NMAE). Moreover, WCC-Net generalizes robustly to unseen dose levels (1/50 and 1/4), achieving superior quantitative performance and improved volumetric anatomical consistency.