Mitigating Data Consistency Induced Discrepancy in Cascaded Diffusion Models for Sparse-view CT Reconstruction

稀疏视图计算机断层扫描（CT）图像重建是减少辐射暴露的一种有前途的方法，但它不可避免地会导致图像退化。虽然基于扩散模型的方法计算昂贵且受到训练-采样差异的影响，但它们为该问题提供了潜在的解决方案。本研究介绍了一种新颖的级联扩散与差异缓解（CDDM）框架，包括潜空间中的低质量图像生成和包含数据一致性和差异缓解的像素空间中的高质量图像生成，这在一个步骤的重建过程中实现。级联框架通过将一些推理步骤从像素空间移动到潜空间来最小化计算成本。差异缓解技术解决了由数据一致性引起的训练-采样差距问题，确保数据分布接近原始流形。采用专门的交替方向乘子法（ADMM）来分别处理图像梯度的不同方向，提供了一种更有针对性的正则化方法。在两个数据集上的实验结果表明，与现有方法相比，CDDM在高质量图像生成方面具有更清晰的边界，突出了该框架的计算效率。

该论文旨在解决稀疏视图计算机断层扫描（CT）图像重建中的图像退化问题。

该论文提出了一种新颖的级联扩散与差异缓解（CDDM）框架，将低质量图像生成和高质量图像生成结合起来，通过在潜在空间中进行一些推理步骤来最小化计算成本，并使用差异缓解技术来解决训练-采样差异问题。

实验结果表明，与现有方法相比，CDDM在高质量图像生成方面具有更好的性能，并且具有更清晰的边界。论文使用了两个数据集进行实验，并使用了专门的交替方向乘子法（ADMM）来处理图像梯度。

近期的相关研究包括“Deep Learning CT Reconstruction with Undersampled Data”和“Low-Dose CT via Convolutional Neural Network”。