노이즈 MRI 재구성을 위한 MAP 기반 암시적 딥 디노이저 프라이어

초록

ImMAP은 MRI 물리 모델과 측정 노이즈를 MAP 프레임워크에 직접 통합한 확산 기반 재구성 방법이다. 훈련된 MMSE 디노이저의 스코어를 활용해 사전 확률의 그래디언트를 근사하고, 관측 모델의 로그우도 그래디언트를 선형 시스템으로 풀어낸다. 실험 결과, ImMAP은 시뮬레이션 노이즈와 실제 스캐너 노이즈 모두에서 최신 딥러닝(LPDSNet) 및 확산 모델(DDS)보다 낮은 NRMSE와 높은 SSIM을 달성한다.

상세 분석

ImMAP은 기존 확산 모델이 MRI 물리와 분리된 채 설계된 한계를 극복한다. 핵심 아이디어는 Kadkhodaie et al.의 stochastic ascent를 MRI의 선형 인코딩 연산자 A와 가우시안 측정 노이즈 ν∼N(0,Σ_y) 를 포함하도록 확장한 것이다. 먼저, 훈련된 MMSE 디노이저 f(z;σ) 를 통해 noisy 이미지 분포 p_σ(z)의 스코어 ∇_z log p_σ(z) 를 σ² · ∇_z log p_σ(z)≈f(z;σ)−z 로 근사한다. 이는 Tweedie’s formula에 기반한 것으로, 디노이저가 조건부 평균 E