ProDM: 面向非胸部 CT 冠脉钙化运动纠正的属性感知渐进扩散模型
计算机视觉与模式识别
2026-01-01 v1 机器学习
摘要
冠脉动脉钙化(CAC)评分是评估临床心血管疾病风险的成熟工具。CAC 定量依赖于对 calcified lesions 的准确描绘,但常受心脏和呼吸运动引入的伪影影响。ECG 脱靶心脏 CT 可显著降低运动伪影,但因需脱靶且保险覆盖不足,在人群筛查和常规影像中受限。尽管从无脱靶胸部 CT 中意外发现 CAC 正逐渐被视为一种可及且广泛可用的替代方案,但该模式因运动伪影更严重而受限。我们提出 ProDM(Property-aware Progressive Correction Diffusion Model)，一个生成式扩散框架,从无脱靶 CT 恢复运动自由的 calcified lesions。ProDM 包含三个关键组件:(1)CAC 运动模拟数据引擎,直接从心脏脱靶 CT 生成具有多样化运动轨迹的真实无脱靶获取,实现无配对数据监督训练;(2)属性感知学习策略,通过可微钙化一致性损失整合钙化专属先验,保持病灶完整性;(3)渐进纠正方案,在扩散步骤中逐步降低伪影以提升稳定性和钙化保真度。真实患者数据实验表明,ProDM 在 CAC 评分准确性、空间病灶保真度和风险分层性能上显著优于多种基线方法。真实无脱靶扫描的读者研究进一步确认,ProDM 抑制运动伪影并提升临床可用性。这些发现凸显了属性感知、渐进式框架在常规胸部 CT 影像中实现可靠 CAC 定量的潜力。
引用
@article{arxiv.2512.24948,
title = {ProDM: Synthetic Reality-driven Property-aware Progressive Diffusion Model for Coronary Calcium Motion Correction in Non-gated Chest CT},
author = {Xinran Gong and Gorkem Durak and Halil Ertugrul Aktas and Vedat Cicek and Jinkui Hao and Ulas Bagci and Nilay S. Shah and Bo Zhou},
journal= {arXiv preprint arXiv:2512.24948},
year = {2026}
}
备注
21 pages, 8 figures