核心概念
Ein neuartiges Kaskadiertes Diffusionsmodell mit Diskrepanzminderung (CDDM) zur effizienten Rekonstruktion von Sparse-View-CT-Bildern, das die Diskrepanz zwischen Training und Sampling durch einen speziellen ADMM-Ansatz und eine zusätzliche Diffusionskorrektur adressiert.
摘要
Die Studie präsentiert einen neuartigen Ansatz zur Lösung des inversen Problems der dünnansichtigen CT-Rekonstruktion mithilfe von Diffusionsmodellen. Der vorgeschlagene CDDM-Rahmen besteht aus zwei Stufen:
- Erzeugung von Niedrigqualitätsbildern im Latenzraum, basierend auf Bildern aus iterativer Rekonstruktion.
- Erzeugung von Hochqualitätsbildern im Pixelraum, unter Verwendung von Datenkonsistenz und Diskrepanzminderung in einem Schritt.
Der Kaskadierte Ansatz reduziert den Rechenaufwand, indem einige Inferenzschritte vom Pixelraum in den Latenzraum verlagert werden. Die Diskrepanzminderung adressiert die Diskrepanz zwischen Training und Sampling, die durch die Datenkonsistenz verursacht wird, um die Datenverteilung näher am ursprünglichen Manifold zu halten.
Ein spezialisierter ADMM-Ansatz behandelt die Bildgradienten in verschiedene Richtungen getrennt, was eine flexiblere Regularisierung ermöglicht. Die Experimente zeigen, dass CDDM eine höhere Bildqualität mit klareren Konturen im Vergleich zu bestehenden Methoden erzielt und gleichzeitig die Recheneffizienz verbessert.
統計資料
Die Rekonstruktion von CT-Bildern mit wenigen Projektionsansichten führt zu einer Bildverschlechterung aufgrund des schlecht gestellten inversen Problems.
Diffusionsmodelle bieten zwar eine mögliche Lösung, leiden aber unter Trainings-Sampling-Diskrepanzen und hohem Rechenaufwand.
引述
"Diffusionsmodell-basierte Ansätze sind zwar rechenintensiv und leiden unter der Trainings-Sampling-Diskrepanz, bieten aber eine potenzielle Lösung für das Problem."
"Die Diskrepanz zwischen Training und Sampling in konditionierten Diffusionsmodellen, die durch die Datenkonsistenz verursacht wird, aber die Realität zerstört, wurde in früheren Studien nicht erwähnt."