DM4CT: Benchmarking Diffusion Models for Computed Tomography Reconstruction¶
会议: ICLR 2026
arXiv: 2602.18589
代码: 有
领域: 医学图像
关键词: CT重建, 扩散模型, 基准测试, 逆问题, 稀疏视图重建
一句话总结¶
提出DM4CT——首个系统性的CT重建扩散模型基准，涵盖十种扩散方法和七种基线方法，在医疗、工业和同步辐射三类数据集上进行全面评估，揭示了扩散模型在CT重建中的优势与局限。
研究背景与动机¶
CT重建是典型的逆问题，从投影测量中恢复未知物体。当测量稀疏或含噪时，问题是病态的，需要先验知识。先验方法从经典正则化（TV）发展到深度学习（监督学习、DIP），再到最近的扩散模型。
扩散模型在图像生成领域成功后被引入逆问题求解，但CT成像面临特殊挑战：相关噪声、伪影结构、系统几何依赖、值域不匹配等，使直接应用扩散模型比自然图像生成困难得多。然而缺乏统一基准来系统评估各种扩散方法。
核心贡献：不是提出新算法，而是构建首个系统性基准，回答"扩散模型在CT中到底表现如何"。
方法详解¶
整体框架¶
DM4CT从贝叶斯视角组织扩散方法：后验分布 \(p(\boldsymbol{x}|\boldsymbol{y}) \propto p(\boldsymbol{x})p(\boldsymbol{y}|\boldsymbol{x})\)，将逆向SDE修改为条件逆向SDE，关键在于如何近似测量条件项 \(\nabla_{\boldsymbol{x}_t}\log p(\boldsymbol{y}|\boldsymbol{x}_t)\)。
关键设计：统一分类体系¶
将10种扩散方法按数据一致性和先验知识策略分为五大类：
1. 数据一致性梯度引导（DC-grad）：在每步去噪后计算数据保真梯度 \(\boldsymbol{g}_t = \nabla_{\boldsymbol{x}_t}\mathcal{L}(\boldsymbol{A}\hat{\boldsymbol{x}}_0 - \boldsymbol{y})\)，用步长 \(\eta\) 控制引导强度。代表：DPS、PSLD、Reddiff等。
2. 数据一致性优化步（DC-step）：在去噪迭代间插入完整的数据一致性优化 \(\boldsymbol{x}_t^* = \arg\min \mathcal{L}(\boldsymbol{A}\boldsymbol{x}_t - \boldsymbol{y})\)。代表：ReSample、DMPlug。
3. 即插即用（Plug-and-Play）：解耦数据保真和先验，交替执行数据一致性子问题和无条件去噪步。代表：DMPlug。
4. 伪逆引导（Pseudo Inverse）：使用伪逆重建（FBP/SIRT近似）在测量空间和图像空间间传递信息。代表：MCG、PGDM。
5. 变分贝叶斯（Variational Bayes）：用参数化分布近似后验，无需沿扩散轨迹采样。代表：Reddiff、HybridReg。
数据集与配置¶
三类数据集覆盖不同应用场景：
- 医疗CT：2016 Low Dose CT Challenge（9卷训练+1卷测试，512×512）
- 工业CT：LoDoInd（管状样品含15种材料，3000+500切片）
- 同步辐射CT（新采集）：两块岩石样品在高能同步辐射设施扫描，768×768高分辨率
五种仿真配置系统测试鲁棒性：40角度无噪/20角度轻噪/80角度强噪/80角度噪声+环形伪影/40角度限角。
基线方法¶
七种强基线覆盖各类方法范式：
- 经典方法：FBP、SIRT
- 神经网络先验：DIP、INR
- 高斯散布：R2Gaussian
- 迭代重建：FISTA-SBTV、ADMM-PDTV
- 监督学习：SwinIR
实验关键数据¶
主实验¶
医疗数据集重建性能（PSNR/SSIM，部分配置）
| 方法 | Config i (40角无噪) | Config ii (20角轻噪) | Config iv (80角噪声+环形) |
|---|---|---|---|
| FBP | 26.98/0.69 | 9.89/0.03 | 14.50/0.13 |
| SIRT | 30.40/0.80 | 26.23/0.47 | 25.86/0.40 |
| SwinIR (监督) | 32.45/0.88 | 29.92/0.83 | 30.79/0.85 |
| DDS (扩散最佳) | 31.43/0.84 | - | - |
| ReSample | 32.03/0.85 | 27.92/0.73 | 29.70/0.76 |
| INR | 33.21/0.86 | 26.15/0.76 | 29.50/0.74 |
同步辐射真实数据（PSNR/SSIM）
| 方法 | 200投影 | 100投影 | 60投影 |
|---|---|---|---|
| SwinIR | 33.75/0.76 | 33.05/0.73 | 32.41/0.70 |
| Reddiff | 28.43/0.56 | 28.24/0.54 | 28.06/0.51 |
| DDS | 28.36/0.55 | 28.10/0.51 | 27.90/0.49 |
| SIRT | 28.16/0.56 | 28.06/0.54 | 27.92/0.52 |
消融实验¶
先验与数据一致性权衡：以DPS为例，步长 \(\eta\) 过小则先验主导（模糊），过大则测量噪声主导（崩溃）。最优 \(\eta\) 需精细调节。
像素空间 vs 潜空间扩散： - 潜空间（PSLD）：梯度需经VQ-VAE解码器传播，无噪声条件下也产生不连续伪影 - 优化步（ReSample）可修复不连续，但有噪声时过拟合测量
零空间分析：DC-grad（DPS）允许更多零空间内容，DC-step（ReSample）更严格约束，伪逆（PGDM）居中。
关键发现¶
- 无单一扩散方法全面最优，性能因数据集和配置而异
- 扩散模型整体略优于经典/MBIR方法，但通常不如全监督SwinIR
- 扩散模型恢复的细节虽然视觉逼真但可能偏离真值，导致指标不如INR/SwinIR的平滑重建
- 真实数据上性能普遍低于仿真数据，暴露训练数据质量和分布偏移问题
- 像素扩散通常比潜空间扩散更节省内存和时间
亮点与洞察¶
- 首个系统性CT扩散基准：统一代码框架（diffusers），公平对比，开源代码和数据
- 统一分类体系清晰梳理了方法间的设计选择和权衡
- 真实同步辐射数据集弥补了现有评估缺乏真实数据的空白
- 深刻的实践洞察：揭示了值域不匹配、有限训练数据、几何复杂性等真实部署挑战
- 零空间分析提供了理解不同数据一致性策略的新视角
局限性 / 可改进方向¶
- 仅评估2D切片重建，未涉及3D重建（螺旋/锥束几何更具挑战性）
- 未包含flow-based方法（如FlowDPS），这是新兴方向
- 临床相关性评估不足（未做分割/放射科医师评分等下游任务评价）
- 扩散模型训练成本高，潜空间模型总训练时间更长
- 自然图像预训练的自编码器未必适合CT数据
- 跨设备/跨协议泛化性未测试
相关工作与启发¶
- 将DIP中DC loss的思想与扩散模型结合是有趣方向（参照DC loss论文）
- INR+扩散先验的混合方法可能兼具结构保真和细节恢复
- 扩散模型的不确定性量化能力（多次采样取均值/方差）有临床价值
- 对稀疏视图和高噪声场景，学习型先验优势最大；密集/低噪声时经典方法已足够
评分¶
| 维度 | 分数 |
|---|---|
| 创新性 | ★★★★☆ |
| 理论深度 | ★★★☆☆ |
| 实验充分性 | ★★★★★ |
| 实用价值 | ★★★★★ |
| 写作质量 | ★★★★☆ |