Accelerating Diffusion: Task-Optimized latent diffusion models for rapid CT denoising = 가속형 확산 모델: CT 노이즈 제거를 위한 과제 최적화 잠재 확산 모델

다국어 초록 (Multilingual Abstract)

Computed tomography (CT) systems are indispensable for diagnostics but pose risks due to radiation exposure. Low-dose CT (LDCT) mitigates these risks but introduces noise and artifacts that compromise diagnostic accuracy. While deep learning methods, such as convolutional neural networks (CNNs) and generative adversarial networks (GANs), have been applied to LDCT denoising, challenges persist, including difficulties in preserving fine details and risks of model collapse. Recently, the Denoising Diffusion Probabilistic Model (DDPM) has addressed the limitations of traditional methods and demonstrated exceptional performance across various tasks. Despite these advancements, its high computational cost during training and extended sampling time significantly hinder practical clinical applications. Additionally, DDPM’s reliance on random Gaussian noise can reduce optimization efficiency and performance in task-specific applications. To overcome these challenges, this study proposes a novel LDCT denoising framework that integrates the Latent Diffusion Model (LDM) with the Cold Diffusion Process. LDM reduces computational costs by conducting the diffusion process in a low-dimensional latent space while preserving critical image features. The Cold Diffusion Process replaces Gaussian noise with a CT denoising task-specific degradation approach, enabling efficient denoising with fewer time steps. Experimental results demonstrate that the proposed method outperforms DDPM in key metrics, including PSNR, SSIM, and RMSE, while achieving up to 2 × faster training and 14 × faster sampling. These advancements highlight the proposed framework’s potential as an effective and practical solution for real-world clinical applications.

국문 초록 (Abstract)

컴퓨터단층촬영(CT)은 진단에 필수적인 영상기법이지만, 방사선 피폭으로 인한 위험이 존재한다. 저선량 CT(LDCT)는 이러한 위험을 완화할 수 있으나, 영상에 노이즈와 인공물이 증가하여 진단 정확도가 저하되는 문제가 있다. 최근 심층학습 기반의 다양한 방법—특히 합성곱 신경망(CNN)과 생성적 적대 신경망(GAN)—이 LDCT 영상의 노이즈 제거에 적용되었지만, 세부 구조의 보존이 어렵고 모델 붕괴 등의 한계가 남아 있다.
이에 비해 확산 모델(Denoising Diffusion Probabilistic Model, DDPM)은 기존 방법의 한계를 극복하며 여러 영상 복원 과제에서 뛰어난 성능을 보여주었다. 그러나 DDPM은 학습 과정의 높은 계산 비용과 긴 샘플링 시간으로 인해 실제 임상 적용에 제약이 따른다. 또한 무작위 가우시안 노이즈에 의존하기 때문에 과제 특화 최적화 효율이 떨어질 수 있다.
본 연구에서는 이러한 한계를 극복하기 위해 잠재 확산 모델(Latent Diffusion Model, LDM)과 콜드 디퓨전 프로세스(Cold Diffusion Process)를 통합한 새로운 LDCT 노이즈 제거 프레임워크를 제안한다. 제안된 방법은 LDM을 통해 저차원 잠재 공간에서 확산 과정을 수행하여 계산 효율을 높이는 한편, 콜드 디퓨전 프로세스를 적용해 가우시안 노이즈 대신 CT 복원 과제에 특화된 열화 과정을 이용함으로써 적은 단계로 효율적인 복원이 가능하도록 한다.
실험 결과, 제안된 방법은 DDPM 대비 PSNR, SSIM, RMSE 등 주요 정량 지표에서 우수한 성능을 보였으며, 학습 속도는 최대 2배, 샘플링 속도는 최대 14배 향상되었다. 이러한 결과는 본 연구의 방법이 실제 임상 환경에서 효율적이고 실용적인 저선량 CT 영상 복원 솔루션으로 활용될 수 있음을 시사한다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• Chapter 2. Related work 6
• 2.1. Deep learning based LDCT denoising 6
• 2.2. Denoising diffusion probabilistic model 7
• 2.3. Latent diffusion model 9
• 2.4. Cold diffusion 10
• Chapter 3. Method 12
• 3.1. Architecture overview 12
• 3.2. Autoencoder 14
• 3.3. Cold diffusion 17
• 3.4. Conditional diffusion 23
• Chapter 4. Experiments 25
• 4.1. Datasets 25
• 4.2. Implementation details 26
• 4.3. Representative analysis 27
• 4.4. Quantitative analysis 31
• 4.5. Qualitative analysis 39
• 4.6. Ablation experiments 40
• Chapter 5. Conclusion 44
• Bibliography 47
• Abstract in Korean 54