DM4CT: Avaliação Comparativa de Modelos de Difusão para Reconstrução de Tomografia Computadorizada
DM4CT: Benchmarking Diffusion Models for Computed Tomography Reconstruction
February 20, 2026
Autores: Jiayang Shi, Daniel M. Pelt, K. Joost Batenburg
cs.AI
Resumo
Os modelos de difusão surgiram recentemente como priors poderosos para resolver problemas inversos. Embora a tomografia computadorizada (TC) seja teoricamente um problema inverso linear, ela apresenta muitos desafios práticos. Estes incluem ruído correlacionado, estruturas de artefatos, dependência da geometria do sistema e intervalos de valores desalinhados, o que torna a aplicação direta de modelos de difusão mais difícil do que em domínios como a geração de imagens naturais. Para avaliar sistematicamente o desempenho dos modelos de difusão neste contexto e compará-los com métodos de reconstrução estabelecidos, introduzimos o DM4CT, um benchmark abrangente para reconstrução de TC. O DM4CT inclui conjuntos de dados dos domínios médico e industrial com configurações de vistas esparsas e ruidosas. Para explorar os desafios da implantação de modelos de difusão na prática, adquirimos adicionalmente um conjunto de dados de TC de alta resolução numa instalação de sincrotron de alta energia e avaliamos todos os métodos em condições experimentais reais. Avaliamos dez métodos recentes baseados em difusão, juntamente com sete linhas de base fortes, incluindo abordagens baseadas em modelos, não supervisionadas e supervisionadas. A nossa análise fornece informações detalhadas sobre o comportamento, pontos fortes e limitações dos modelos de difusão para reconstrução de TC. O conjunto de dados do mundo real está publicamente disponível em zenodo.org/records/15420527, e a base de código é de código aberto em 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.