DM4CT: Prestatie-evaluatie van diffusiemodellen voor computertomografie-reconstructie

DM4CT: Benchmarking Diffusion Models for Computed Tomography Reconstruction

February 20, 2026

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

cs.AI

Samenvatting

Diffusiemodellen zijn recent naar voren gekomen als krachtige a priori-informatie voor het oplossen van inverse problemen. Hoewel computertomografie (CT) theoretisch een lineair invers probleem is, brengt het veel praktische uitdagingen met zich mee. Deze omvatten gecorreleerde ruis, artefactstructuren, afhankelijkheid van de systeemgeometrie en verkeerd uitgelijnde waardebereiken, waardoor de directe toepassing van diffusiemodellen moeilijker is dan in domeinen zoals natuurlijke beeldgeneratie. Om systematisch te evalueren hoe diffusiemodellen zich in deze context presteren en ze te vergelijken met gevestigde reconstructiemethoden, introduceren we DM4CT, een uitgebreide benchmark voor CT-reconstructie. DM4CT omvat datasets uit zowel de medische als de industriële sector met sparse-view en ruis-configuraties. Om de uitdagingen van het in de praktijk brengen van diffusiemodellen te onderzoeken, verwerven we aanvullend een hoogresolutie CT-dataset van een hoogenergetische synchrotronfaciliteit en evalueren we alle methoden onder reële experimentele omstandigheden. We benchmarken tien recente op diffusie gebaseerde methoden naast zeven sterke baseline-methoden, inclusief modelgebaseerde, ongesuperviseerde en gesuperviseerde benaderingen. Onze analyse biedt gedetailleerde inzichten in het gedrag, de sterke punten en de beperkingen van diffusiemodellen voor CT-reconstructie. De real-world dataset is openbaar beschikbaar op zenodo.org/records/15420527, en de codebase is open source op 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.