一个指导DDPM基础的重建损坏的CT投影使用传统方法的框架
Ziheng Zhang1, Yishan Yang1,2, Minghan Yang3
1Hefei Institutes of Physical Science, Chinese Academy of Sciences, Hefei, Anhui, 230031, China.
Journal of imaging informatics in medicine
|September 27, 2025
概括
本研究介绍了一种混合框架 (PHIRF),该框架将传统方法与Denoising Diffusion Probabilistic Models (DDPM) 结合起来,用于从受损数据中进行高级计算机断层扫描 (CT) 图像重建.
科学领域:
- 医疗成像医学成像
- 计算成像技术的成像
- 医疗保健中的人工智能
背景情况:
- 拒绝扩散概率模型 (DDPM) 对图像合成有希望,但在计算机断层扫描 (CT) 重建中难以保存细节.
- 受损的CT投影数据 (有限的角度,稀疏的视角,低剂量) 对准确的图像重建提出了重大挑战.
研究的目的:
- 开发和验证一个新的混合框架 (PHIRF),将传统CT重建与DDPM集成,以从受损的投影数据中提高图像质量.
- 为了改善细致解剖细节的保存,并减少CT图像中的工件,这些图像是从错误的投影场景中重建的.
主要方法:
- 一种双相方法,将传统CT重建算法 (FBP,ART,ML-EM) 与DDPM结合起来.
- 传统方法从不完整的投影中生成初步重建和低维特征.
- 这些特征决定了DDPM的反向扩散过程,用于合成增强的断层图像.
主要成果:
- 在有限角度,稀疏视角和低剂量CT投影场景中,PHIRF框架实现了最先进的性能.
- 与现有的深度学习方法相比,证明了精细解剖细节的优越保存.
- 显著抑制了重建文物,超过了当前基于深度学习的重建方法.
结论:
- 拟议的PHIRF框架有效地将物理事先的知识与数据驱动的生成模型相结合,用于医学图像重建.
- PHIRF提供了一种强大而可适应的解决方案,用于从各种形式的受损投影数据中提高CT图像质量.
- 这种混合架构代表了高级CT图像重建的新范式,特别是在具有挑战性的临床场景中.
