使用在非线性测量模型上条件化的扩散后端采样进行CT重建

科学领域:

• 医疗成像医学成像
• 计算成像技术的成像
• 人工智能在医学中的应用

背景情况:

• 扩散后端采样 (DPS) 已经显示出从低质量的数据中生成高质量的计算机断层扫描 (CT) 图像的前景.
• 目前的DPS方法利用X射线CT物理学的线性近似,这与固有的非线性前向模型有所不同.
• 这种限制限制了现有的DPS技术在现实CT应用中的适应性和准确性.

研究的目的:

• 开发和评估一种新的扩散后端采样 (DPS) 方法,该方法包含计算机断层扫描 (CT) 图像重建的一般非线性测量模型.
• 解决目前依赖于线性化前模型的DPS方法的局限性,从而提高重建的准确性和灵活性.
• 证明拟议的非线性DPS方法能够在不需要再培训的情况下处理多种CT系统和获取协议的能力.

主要方法:

• 一个无条件扩散模型是通过训练一个先前的得分函数估计器来实现的.
• 贝叶斯法则被应用于将扩散前值与来自非线性物理模型的测量概率得分函数相结合.
• 由此产生的后置分数函数被用来采样反向时间扩散过程,并为提高效率开发了计算增强.

主要成果:

• 拟议的非线性DPS方法与传统的重建技术和使用线性模型的DPS方法相比,表现优越.
• 在模拟研究中的评估表明,非线性DPS产生更高质量的CT图像.
• 与有条件训练的深度学习方法相比,非线性DPS方法在不同的采集协议中产生高质量的图像的能力更好.

结论:

• 开发的非线性DPS方法提供了一个插即用解决方案,用于将基于扩散的先验与一般非线性CT测量模型集成.
• 这种方法提高了DPS对各种CT系统和协议的适用性,而不需要系统特定的再培训.
• 这些发现突出了非线性DPS在提高CT图像重建精度和适应性方面的潜力.