DiffusionBlend: Aprendiendo el prior de imagen 3D a través de la fusión de puntajes de difusión conscientes de la posición para la reconstrucción de Tomografía Computarizada 3D

Los modelos de difusión enfrentan desafíos significativos cuando se emplean para la reconstrucción de imágenes médicas a gran escala en la práctica real, como la Tomografía Computarizada 3D (CT). Debido a los exigentes requisitos de memoria, tiempo y datos, es difícil entrenar un modelo de difusión directamente sobre todo el volumen de datos de alta dimensión para obtener un prior de difusión 3D eficiente. Los trabajos existentes que utilizan priors de difusión en una sola rebanada de imagen 2D con regularización cruzada hecha a mano sacrificarían la consistencia en el eje z, lo que resulta en severos artefactos a lo largo del eje z. En este trabajo, proponemos un nuevo marco que permite aprender el prior de imagen 3D a través de la fusión de puntajes de difusión de parches 3D conscientes de la posición para reconstruir imágenes médicas 3D a gran escala. Hasta donde sabemos, somos los primeros en utilizar un prior de difusión de parches 3D para la reconstrucción de imágenes médicas 3D. Experimentos extensos sobre reconstrucción CT de visión escasa y ángulo limitado muestran que nuestro método DiffusionBlend supera significativamente a métodos anteriores y logra un rendimiento de vanguardia en problemas de reconstrucción CT del mundo real con imágenes 3D de alta dimensión (es decir, 256 256 500). Nuestro algoritmo también presenta una eficiencia computacional mejor o comparable a la de métodos de vanguardia anteriores.