ترجمه فارسی مقاله بازسازی تکراری سی‌تی‌اسکن از طریق بهینه‌سازی متغیر پنهان مدل‌های انتشار سطحی

چکیده

Image-generative artificial intelligence (AI) has garnered significant attention in recent years. In particular, the diffusion model, a core component of generative AI, produces high-quality images with rich diversity. In this study, we proposed a novel computed tomography (CT) reconstruction method by combining the denoising diffusion probabilistic model with iterative CT reconstruction. In sharp contrast to previous studies, we optimized the fidelity loss of CT reconstruction with respect to the latent variable of the diffusion model, instead of the image and model parameters. To suppress the changes in anatomical structures produced by the diffusion model, we shallowed the diffusion and reverse processes and fixed a set of added noises in the reverse process to make it deterministic during the inference. We demonstrated the effectiveness of the proposed method through the sparse-projection CT reconstruction of 1/10 projection data. Despite the simplicity of the implementation, the proposed method has the potential to reconstruct high-quality images while preserving the patient’s anatomical structures and was found to outperform existing methods, including iterative reconstruction, iterative reconstruction with total variation, and the diffusion model alone in terms of quantitative indices such as the structural similarity index and peak signal-to-noise ratio. We also explored further sparse-projection CT reconstruction using 1/20 projection data with the same trained diffusion model. As the number of iterations increased, the image quality improved comparable to that of 1/10 sparse-projection CT reconstruction. In principle, this method can be widely applied not only to CT but also to other imaging modalities.

چکیده به فارسی (ترجمه ماشینی)

هوش مصنوعی تصویر و تولید (AI) در سالهای اخیر مورد توجه قابل توجهی قرار گرفته است.به طور خاص ، مدل انتشار ، یک مؤلفه اصلی AI تولید کننده ، تصاویر با کیفیت بالا با تنوع غنی تولید می کند.در این مطالعه ، ما یک روش بازسازی توموگرافی محاسبه شده (CT) رمان را با ترکیب مدل احتمالی انتشار Denoising با بازسازی CT تکراری ارائه دادیم.در تقابل شدید با مطالعات قبلی ، ما از دست دادن وفاداری بازسازی CT با توجه به متغیر نهفته مدل انتشار ، به جای پارامترهای تصویر و مدل ، بهینه سازی کردیم.برای سرکوب تغییرات در ساختارهای آناتومیکی تولید شده توسط مدل انتشار ، ما فرآیندهای انتشار و معکوس را کم عمق کردیم و مجموعه ای از صداهای اضافه شده را در فرآیند معکوس برطرف کردیم تا آن را در طول استنتاج تعیین کنیم.ما اثربخشی روش پیشنهادی را از طریق بازسازی CT پراکنده از داده های پیش بینی 1/10 نشان دادیم.با وجود سادگی اجرای ، روش پیشنهادی این پتانسیل را دارد که ضمن حفظ ساختارهای آناتومیکی بیمار ، تصاویر با کیفیت بالا را بازسازی کند و از روشهای موجود ، از جمله بازسازی تکراری ، بازسازی تکراری با تنوع کامل و مدل انتشار به تنهایی از نظر شرایط بهتر عمل می کند.شاخص های کمی مانند شاخص شباهت ساختاری و نسبت سیگنال به نویز.ما همچنین با استفاده از داده های طرح ریزی 1/20 با همان مدل انتشار آموزش دیده ، بازسازی CT پراکنده بیشتر را بررسی کردیم.با افزایش تعداد تکرارها ، کیفیت تصویر قابل مقایسه با بازسازی CT 1/10 پراکنده است.در اصل ، این روش نه تنها برای CT بلکه برای سایر روشهای تصویربرداری نیز می تواند به طور گسترده ای اعمال شود.