面向医学图像重建的条件模型 hallucination 问题：基于 DynamicDPS

Hallucination 是指不真实存在于真实值中的虚构结构，在医学图像重建中尤为关键，尤其是针对数据驱动的条件模型。我们假设，将无条件扩散模型与数据一致性相结合，并在多样化数据集上训练，可减少此类 hallucination。基于此，我们提出 DynamicDPS，一种基于扩散的框架，集成条件扩散模型和无条件扩散模型，以增强低质量医学图像的同时系统性地减少 hallucination。我们的方法首先使用条件模型生成初始重建，然后通过自适应扩散逆问题求解器对其进行细化。DynamicDPS 通过为每个样本选择最佳起始时间点，跳过逆过程的早期阶段，并应用 Wolfe's line search 进行自适应步长，提高了效率和图像保真度。利用扩散先验和数据一致性，我们的方法有效减少了任何条件模型输出的 hallucination。我们在低场 MRI 增强的图像质量转移任务中验证了其有效性。广泛的评估包括合成和真实 MR 扫描，以及下游组织体积估计任务，表明 DynamicDPS 可减少 hallucination，使关键组织体积估计提升超过 15%，而仅需基准扩散模型的 5% 的采样步骤。作为一种模型无关且无需微调的方法，DynamicDPS 提供了医学图像 hallucination 减少的稳健解决方案。代码将在发表后公开。