Strategies for CT Reconstruction using Diffusion Posterior Sampling with a Nonlinear Model

Diffusion Posterior Sampling（DPS）方法是一种新颖的框架，通过集成扩散先验和解析物理系统模型，允许进行非线性CT重建，从而实现不同应用的一次性训练。然而，基线DPS可能会遇到大的变异性、幻觉和缓慢的重建问题。本文介绍了一些旨在增强DPS CT重建稳定性和效率的策略。具体而言，跳跃起始抽样允许跳过许多反向时间步骤，显著减少重建时间以及采样变异性。此外，似然更新被修改以简化雅可比计算并更有效地改善数据一致性。最后，进行超参数扫描以研究参数调整的影响并优化整体重建性能。模拟研究表明，所提出的DPS技术在低mAs设置下实现了高达46.72%的PSNR和51.50%的SSIM增强，以及在稀疏视图设置下超过31.43%的可变性减少。此外，重建时间从>23.5 s/层加速到<1.5 s/层。在物理数据研究中，所提出的DPS展现了对人形幻影重建的稳健性，该重建并不严格遵循先验分布。定量分析表明，所提出的DPS可以适应不同的剂量水平和视图数量。在10%剂量下，所提出的方法仅观察到PSNR和SSIM分别降低了5.60%和4.84%。模拟和幻影研究表明，所提出的方法可以显著提高重建精度并降低计算成本，极大地增强了DPS CT重建的实用性。

提高Diffusion Posterior Sampling（DPS）CT重建的稳定性和效率

引入跳跃起点采样、修改似然函数更新和超参数调整策略，优化DPS CT重建

实验结果显示，该方法在低剂量和稀疏视角设置下，分别提高了46.72％和51.50％的PSNR和SSIM，同时减少了31.43％的变异性，重建时间从>23.5秒/层缩短到<1.5秒/层。在人工数据研究中，该方法表现出对不符合先验分布的人体模型的稳健性。

最近的相关研究包括：1. 'Deep learning-based CT reconstruction using prior image constrained network'；2. 'Low-dose CT with a residual encoder-decoder convolutional neural network'