コンピュータ断層撮影（CT）は臨床診断において重要な画像診断法ですが、放射線量を低減すると画像にノイズや構造的なアーチファクトが生じ、画質が低下します。既存の深層学習に基づく低線量CT（LDCT）再構成法は、通常、固定の線量レベルや特定の解剖領域に最適化されており、実際の臨床環境での頑健性や汎化性が限られています。この問題を解決するために、研究者らはGenDiffを提案しました。これは、連続的な放射線量と解剖学的情報を統一されたネットワーク内で同時にモデル化する、汎化可能な拡散ベースのフレームワークです。
GenDiffは、撮影条件を考慮した埋め込みを学習する線量-解剖エンコーダ、線量および解剖条件に基づく冷拡散バックボーンによる反復的洗練、CT順方向モデルへの忠実性を強制する物理一貫性更新、そして線量依存のアーチファクトを抑制しつつ解剖構造を保持する構造事前精緻化モジュール（SPRM）で構成されます。
研究チームは、胸部、腹部、頭部など複数の解剖領域の臨床データセットに加え、未観測の超低線量条件や分布外のファントム・動物データセットを用いて広範な実験を行いました。結果、GenDiffは再構成品質において最先端の畳み込みニューラルネットワークや拡散ベースの手法（RED-CNN、PD-DDPMなど）を一貫して凌駕しました。本手法は、異なる線量レベル（通常線量、低線量、超低線量）、解剖領域、撮影ドメインにわたって高い頑健性を維持し、実用的な低線量CT撮像の有望なソリューションとなります。
本論文「GenDiff: A Dose and Anatomy Aware Diffusion Model with Structural Prior Refinement for Low-Dose CT Reconstruction and Generalization」はMd Imam Ahasanらによって執筆され、現在PeerJ Computer Scienceで査読中です。