DM4CT: Evaluación Comparativa de Modelos de Difusión para la Reconstrucción de Tomografía Computarizada

DM4CT: Benchmarking Diffusion Models for Computed Tomography Reconstruction

February 20, 2026

Autores: Jiayang Shi, Daniel M. Pelt, K. Joost Batenburg

cs.AI

Resumen

Los modelos de difusión han surgido recientemente como potentes distribuciones previas para resolver problemas inversos. Si bien la tomografía computarizada (TC) es teóricamente un problema inverso lineal, plantea numerosos desafíos prácticos. Entre ellos se incluyen ruido correlacionado, estructuras de artefactos, dependencia de la geometría del sistema y rangos de valores desalineados, lo que dificulta la aplicación directa de modelos de difusión en comparación con dominios como la generación de imágenes naturales. Para evaluar sistemáticamente el rendimiento de los modelos de difusión en este contexto y compararlos con métodos de reconstrucción establecidos, presentamos DM4CT, un benchmark integral para la reconstrucción de TC. DM4CT incluye conjuntos de datos de los ámbitos médico e industrial con configuraciones de vistas escasas y ruidosas. Para explorar los desafíos de implementar modelos de difusión en la práctica, adquirimos adicionalmente un conjunto de datos de TC de alta resolución en una instalación de sincrotrón de alta energía y evaluamos todos los métodos en condiciones experimentales reales. Evaluamos diez métodos recientes basados en difusión junto con siete líneas de base sólidas, incluyendo enfoques basados en modelos, no supervisados y supervisados. Nuestro análisis proporciona información detallada sobre el comportamiento, fortalezas y limitaciones de los modelos de difusión para la reconstrucción de TC. El conjunto de datos del mundo real está disponible públicamente en zenodo.org/records/15420527, y la base de código es de código abierto en github.com/DM4CT/DM4CT.

English

Diffusion models have recently emerged as powerful priors for solving inverse problems. While computed tomography (CT) is theoretically a linear inverse problem, it poses many practical challenges. These include correlated noise, artifact structures, reliance on system geometry, and misaligned value ranges, which make the direct application of diffusion models more difficult than in domains like natural image generation. To systematically evaluate how diffusion models perform in this context and compare them with established reconstruction methods, we introduce DM4CT, a comprehensive benchmark for CT reconstruction. DM4CT includes datasets from both medical and industrial domains with sparse-view and noisy configurations. To explore the challenges of deploying diffusion models in practice, we additionally acquire a high-resolution CT dataset at a high-energy synchrotron facility and evaluate all methods under real experimental conditions. We benchmark ten recent diffusion-based methods alongside seven strong baselines, including model-based, unsupervised, and supervised approaches. Our analysis provides detailed insights into the behavior, strengths, and limitations of diffusion models for CT reconstruction. The real-world dataset is publicly available at zenodo.org/records/15420527, and the codebase is open-sourced at github.com/DM4CT/DM4CT.