DDMM-Synth：一种带稀疏视角测量嵌入的跨模态医学图像合成去噪扩散模型

降低计算机断层扫描（CT）的辐射剂量对减轻辐射诱发风险十分重要。一种方案是采用训练良好的模型补偿不完整信息，并将稀疏视角测量映射到 CT 重建。然而，由稀疏采样测量重建不足以唯一表征 CT 中的物体，且学习到的先验模型可能对未遇见情形不充分。从磁共振成像（MRI）到 CT 的医学模态翻译是一种替代方案，但除二者关系无显式变换描述外，还可能将错误信息引入合成 CT 图像。为解决这些问题，我们提出称为医学图像合成去噪扩散模型（DDMM-Synth）的新框架，以弥合上述性能差距。该框架将 MRI 引导的扩散模型与一种新的 CT 测量嵌入反向采样方案结合。具体而言，单步去噪结果的零空间内容由 MRI 引导的数据分布先验精炼，而其由显式算子矩阵与稀疏视角 CT 测量导出的值域分量直接整合进推理阶段。DDMM-Synth 可针对特定临床应用事后调整 CT 投影数，其改进版本更可显著改善噪声情形下的结果。我们的结果显示，在公平实验条件下 DDMM-Synth 优于其他基于监督学习的 SOTA 基线。