DM4CT : Évaluation comparative des modèles de diffusion pour la reconstruction en tomodensitométrie

DM4CT: Benchmarking Diffusion Models for Computed Tomography Reconstruction

February 20, 2026

papers.authors: Jiayang Shi, Daniel M. Pelt, K. Joost Batenburg

cs.AI

papers.abstract

Les modèles de diffusion ont récemment émergé comme des a priori puissants pour résoudre les problèmes inverses. Bien que la tomographie computérisée (CT) soit théoriquement un problème inverse linéaire, elle présente de nombreux défis pratiques. Ceux-ci incluent un bruit corrélé, des structures d'artefacts, une dépendance à la géométrie du système et des plages de valeurs désalignées, ce qui rend l'application directe des modèles de diffusion plus difficile que dans des domaines comme la génération d'images naturelles. Pour évaluer systématiquement les performances des modèles de diffusion dans ce contexte et les comparer aux méthodes de reconstruction établies, nous introduisons DM4CT, un benchmark complet pour la reconstruction CT. DM4CT inclut des jeux de données provenant des domaines médical et industriel avec des configurations sparse-view et bruitées. Pour explorer les défis du déploiement pratique des modèles de diffusion, nous acquérons également un jeu de données CT haute résolution dans un synchrotron à haute énergie et évaluons toutes les méthodes dans des conditions expérimentales réelles. Nous comparons dix méthodes récentes basées sur la diffusion à sept méthodes de référence solides, incluant des approches basées sur des modèles, non supervisées et supervisées. Notre analyse fournit des insights détaillés sur le comportement, les forces et les limites des modèles de diffusion pour la reconstruction CT. Le jeu de données réel est disponible publiquement sur zenodo.org/records/15420527, et le code source est ouvert sur 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.