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

要約

コンピュータ断層撮影 (CT) 技術は、サンプリングをまばらにすることで人体への放射線障害を軽減しますが、サンプリング角度が少ないため、画像再構成に課題が生じます。
スコアベースの生成モデルはスパースビュー CT 再構成で広く使用されていますが、投影角度が急激に減少するとパフォーマンスが大幅に低下します。
したがって、我々は、情報のグローバルな分布に集中し、局所的な画像特性を備えた疎なビューの再構成を容易にするように設計された、マルチスケール拡散モデル（MSDiff）を利用した超疎なビューのCT再構成方法を提案します。
具体的には、提案されたモデルは、包括的なサンプリング技術と選択的にまばらなサンプリング技術の両方からの情報を巧みに統合します。
拡散モデルの正確な調整を通じて、多様なノイズ分布を抽出することができ、画像の全体的な構造の理解を促進し、完全にサンプリングされたモデルが画像情報をより効果的に復元するのに役立ちます。
投影データ内の固有の相関関係を活用することで、モデルがより効果的に注意を集中できるようにする等距離マスクを設計しました。
実験結果は、マルチスケール モデルのアプローチにより、さまざまなデータセットにわたって良好な一般化が行われ、超低角度での画像再構成の品質が大幅に向上することを実証しました。

要約(オリジナル)

Computed Tomography (CT) technology reduces radiation haz-ards to the human body through sparse sampling, but fewer sampling angles pose challenges for image reconstruction. Score-based generative models are widely used in sparse-view CT re-construction, performance diminishes significantly with a sharp reduction in projection angles. Therefore, we propose an ultra-sparse view CT reconstruction method utilizing multi-scale dif-fusion models (MSDiff), designed to concentrate on the global distribution of information and facilitate the reconstruction of sparse views with local image characteristics. Specifically, the proposed model ingeniously integrates information from both comprehensive sampling and selectively sparse sampling tech-niques. Through precise adjustments in diffusion model, it is capable of extracting diverse noise distribution, furthering the understanding of the overall structure of images, and aiding the fully sampled model in recovering image information more effec-tively. By leveraging the inherent correlations within the projec-tion data, we have designed an equidistant mask, enabling the model to focus its attention more effectively. Experimental re-sults demonstrated that the multi-scale model approach signifi-cantly improved the quality of image reconstruction under ultra-sparse angles, with good generalization across various datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google