GenDiff：剂量与解剖感知的扩散模型及结构先验细化用于低剂量CT重建与泛化
GenDiff是一种新型扩散模型框架，通过联合建模连续辐射剂量和解剖信息，实现低剂量CT重建。它整合了剂量-解剖编码器、冷扩散主干、物理一致性更新和结构先验细化模块，在多种临床数据集上优于现有方法，展现出强大的鲁棒性和泛化能力。
计算机断层扫描（CT）是临床诊断中不可或缺的影像技术，但降低辐射剂量会导致图像噪声增加和结构性伪影，严重损害图像质量。现有的基于深度学习的低剂量CT（LDCT）重建方法通常针对固定剂量水平或特定解剖部位进行优化，这限制了它们在复杂临床环境中的鲁棒性和泛化能力。为了克服这些局限，研究人员提出了GenDiff，一个可泛化的扩散模型框架，能够在统一的网络中同时建模连续辐射剂量和解剖信息。
GenDiff由四个核心组件构成：剂量-解剖编码器用于学习与采集参数相关的嵌入表示；剂量和解剖条件化的冷扩散主干负责迭代式图像细化；物理一致性更新模块确保重建结果符合CT正向物理模型；结构先验细化模块在抑制剂量相关伪影的同时保留解剖细节。这一设计使得模型能够灵活适应不同的辐射剂量水平和解剖区域。
研究团队在多个解剖部位的临床数据集上进行了实验，包括胸部、腹部和头部等区域，并涵盖了未见过的超低剂量条件以及分布外的体模和动物数据集。实验结果显示，GenDiff在重建质量上持续优于当前最先进的卷积神经网络和扩散方法，如RED-CNN和PD-DDPM。该方法在不同剂量水平（如常规剂量、低剂量和超低剂量）、解剖区域和采集域中均表现出强大的鲁棒性，为实际低剂量CT成像提供了有前景的解决方案。
该论文“GenDiff: A Dose and Anatomy Aware Diffusion Model with Structural Prior Refinement for Low-Dose CT Reconstruction and Generalization”由Md Imam Ahasan等人撰写，目前正在PeerJ Computer Science审稿中。