DM4CT: Benchmarking dei Modelli di Diffusione per la Ricostruzione Tomografica Computerizzata

DM4CT: Benchmarking Diffusion Models for Computed Tomography Reconstruction

February 20, 2026

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

cs.AI

Abstract

I modelli di diffusione sono recentemente emersi come potenti prior per la risoluzione di problemi inversi. Sebbene la tomografia computerizzata (CT) sia teoricamente un problema inverso lineare, presenta numerose sfide pratiche. Queste includono rumore correlato, strutture di artefatti, dipendenza dalla geometria del sistema e intervalli di valori disallineati, che rendono l'applicazione diretta dei modelli di diffusione più difficile rispetto a domini come la generazione di immagini naturali. Per valutare sistematicamente le prestazioni dei modelli di diffusione in questo contesto e confrontarli con i metodi di ricostruzione consolidati, introduciamo DM4CT, un benchmark completo per la ricostruzione CT. DM4CT include dataset provenienti sia dal dominio medico che industriale con configurazioni sparse-view e rumorose. Per esplorare le sfide legate all'implementazione pratica dei modelli di diffusione, acquisiamo inoltre un dataset CT ad alta risoluzione presso un sincrotrone ad alta energia e valutiamo tutti i metodi in condizioni sperimentali reali. Mettiamo a confronto dieci recenti metodi basati sulla diffusione insieme a sette solide baseline, che includono approcci basati su modelli, non supervisionati e supervisionati. La nostra analisi fornisce approfondimenti dettagliati sul comportamento, i punti di forza e i limiti dei modelli di diffusione per la ricostruzione CT. Il dataset del mondo reale è pubblicamente disponibile su zenodo.org/records/15420527 e il codice è open-source su 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.