MSDiff: Multi-Scale Diffusion Model for Ultra-Sparse View CT Reconstruction

计算机断层扫描（CT）技术通过稀疏采样减少对人体的辐射危害，但较少的采样角度会对图像重建造成挑战。基于得分的生成模型广泛用于稀疏视图CT重建，但在投影角度急剧减少时，性能会显著降低。因此，我们提出了一种利用多尺度扩散模型（MSDiff）的超稀疏视图CT重建方法，旨在集中于信息的全局分布并促进具有局部图像特征的稀疏视图的重建。具体而言，所提出的模型巧妙地整合了全面采样和选择性稀疏采样技术的信息。通过精确调整扩散模型，它能够提取多样的噪声分布，进一步了解图像的整体结构，并帮助完全采样的模型更有效地恢复图像信息。通过利用投影数据内在的相关性，我们设计了一个等距蒙版，使模型能够更有效地集中注意力。实验结果表明，多尺度模型方法显著提高了超稀疏角度下图像重建的质量，并在各种数据集上具有良好的泛化性能。

如何利用多尺度扩散模型（MSDiff）提高稀疏视角CT重建图像的质量？

该论文提出了一种利用多尺度扩散模型（MSDiff）的超稀疏视角CT重建方法，通过精确调整扩散模型，提取多样的噪声分布，从而更有效地恢复图像信息。同时，通过设计等距掩膜，能够更有效地集中注意力。

论文在多个数据集上进行了实验，证明了多尺度扩散模型方法在超稀疏视角下重建图像的有效性，具有很好的泛化性能。值得关注的是，该方法能够提取多样的噪声分布，并且设计了等距掩膜，能够更有效地集中注意力。

近期在该领域的相关研究包括：1. Learning-based CT reconstruction from very few projections（2020）；2. Low-dose CT via deep neural network（2017）；3. Sparse-view CT reconstruction via total variation and non-local means regularization（2018）。