スコアベース拡散モデルを用いた拡散光トモグラフィにおける不確実性定量化

TL;DR（結論）

拡散光トモグラフィ（DOT）における高度な不良設定性とモデル誤差の課題に対し、スコアベース拡散モデルを用いた新しい事後サンプリング枠組みであるUCoSを適用した。 学習済みのデータ駆動型スコアと物理モデルに基づくガウス型スコアを凸結合させる新しい正則化手法を提案し、限定的な観測条件や分布外データに対する推定のロバスト性を向上させた。 シミュレーションおよび実測データを用いた検証により、従来手法よりも事後分散を大幅に抑制し、ターゲット周辺に不確実性を局在化させた信頼性の高い画像再構成と不確実性定量化を実現した。

なぜこの問題か

拡散光トモグラフィ（DOT）は、近赤外光を生体組織に照射し、その境界で測定された光の強度データから組織内部の光学的な特性、具体的には吸収係数や散乱係数の空間分布を推定する技術である。この技術は、乳がんの診断、新生児や成人の脳機能イメージング、さらには小動物を用いた臨床前研究など、非侵襲的かつ機能的な情報を得られる手法として幅広い医療・生物学的応用が期待されている。しかし、DOTの画像再構成は本質的に極めて困難な課題を抱えている。光は生体組織内で非常に強く散乱されるため、境界でのわずかな測定ノイズや、計算に用いる物理モデルのわずかな誤差が、再構成結果に甚大な影響を及ぼす。これは数学的に「高度に不良設定な逆問題」と呼ばれ、解が不安定になりやすい特性を持つ。 従来、この問題に対しては、未知の変数が滑らかである、あるいはスパース（疎）であるといった数学的な仮定を置く正則化手法や、専門家の知識に基づくガウス分布を事前分布としたベイズ推定が用いられてきた。しかし、これらの古典的なモデルでは、複雑な生体組織の微細な構造や統計的な性質を十分に表現しきれない場合が多い。…

核心：何を提案したのか

本研究では、大規模な線形逆問題を効率的に解くための最新の枠組みである「条件付きスコア関数の無条件表現（UCoS）」をDOTに導入することを提案した。UCoSは、拡散モデルの学習を低次元な問題に落とし込み、サンプリング時に順モデル（物理的な光の伝播モデル）の繰り返し計算を回避することで、計算効率を劇的に向上させる手法である。これにより、高解像度な画像再構成においても現実的な時間内での処理が可能となる。 本研究の最も重要な貢献は、学習されたデータ駆動型のスコアと、物理モデルに基づく閉形式のスコアを組み合わせた、新しい正則化されたスコア関数の導入である。具体的には、訓練データから学習したニューラルネットワークのスコアと、ガウス事前分布から導出されるモデルベースのスコアを凸結合（混合）させるアプローチを採用した。この手法により、データから得られる複雑な統計情報と、物理学的な整合性の両方をバランスよく推定に反映させることが可能になる。…

続きはログイン/プランで閲覧できます。