計算機斷層掃描（CT）是臨床診斷中不可或缺的影像技術，但降低輻射劑量會導致影像噪聲增加和結構性偽影，嚴重損害影像質量。現有的基於深度學習的低劑量CT（LDCT）重建方法通常針對固定劑量水平或特定解剖部位進行最佳化，這限制了它們在複雜臨床環境中的魯棒性和泛化能力。為了克服這些侷限，研究人員提出了GenDiff，一個可泛化的擴散模型框架，能夠在統一的網路中同時建模連續輻射劑量和解剖資訊。
GenDiff由四個核心元件構成：劑量-解剖編碼器用於學習與採集引數相關的嵌入表示；劑量和解剖條件化的冷擴散主幹負責迭代式影像細化；物理一致性更新模組確保重建結果符合CT正向物理模型；結構先驗細化模組在抑制劑量相關偽影的同時保留解剖細節。這一設計使得模型能夠靈活適應不同的輻射劑量水平和解剖區域。
研究團隊在多個解剖部位的臨床資料集上進行了實驗，包括胸部、腹部和頭部等區域，並涵蓋了未見過的超低劑量條件以及分佈外的體模和動物資料集。實驗結果顯示，GenDiff在重建質量上持續優於當前最先進的卷積神經網路和擴散方法，如RED-CNN和PD-DDPM。該方法在不同劑量水平（如常規劑量、低劑量和超低劑量）、解剖區域和採集域中均表現出強大的魯棒性，為實際低劑量CT成像提供了有前景的解決方案。
該論文“GenDiff: A Dose and Anatomy Aware Diffusion Model with Structural Prior Refinement for Low-Dose CT Reconstruction and Generalization”由Md Imam Ahasan等人撰寫，目前正在PeerJ Computer Science審稿中。