DM4CT: Сравнительный анализ диффузионных моделей для реконструкции компьютерной томографии

DM4CT: Benchmarking Diffusion Models for Computed Tomography Reconstruction

February 20, 2026

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

cs.AI

Аннотация

В последнее время диффузионные модели стали мощными априорными распределениями для решения обратных задач. Хотя компьютерная томография (КТ) теоретически является линейной обратной задачей, на практике она сталкивается со множеством вызовов. К ним относятся коррелированный шум, артефакты изображений, зависимость от геометрии системы и несовпадение диапазонов значений, что затрудняет прямое применение диффузионных моделей по сравнению с такими областями, как генерация натуральных изображений. Для систематической оценки работы диффузионных моделей в этом контексте и их сравнения с устоявшимися методами реконструкции мы представляем DM4CT — комплексный бенчмарк для реконструкции КТ. DM4CT включает наборы данных из медицинской и промышленной областей с разреженными проекциями и зашумленными конфигурациями. Для изучения сложностей практического развертывания диффузионных моделей мы дополнительно получили высокоразрешающий набор данных КТ на высокоэнергетическом синхротронном комплексе и оценили все методы в реальных экспериментальных условиях. Мы провели сравнительный анализ десяти современных методов на основе диффузии вместе с семью сильными базовыми методами, включая модельно-ориентированные, неконтролируемые и контролируемые подходы. Наш анализ дает детальное представление о поведении, преимуществах и ограничениях диффузионных моделей для реконструкции КТ. Набор реальных данных общедоступен по адресу zenodo.org/records/15420527, а кодовая база имеет открытый исходный код на 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.