PhyDiff：一种用于稀疏视角CT投影插值的物理引导潜空间扩散模型

《Neural Networks》：PhyDiff: Physics-guided Latent Diffusion Model for Sparse-view CT Projection Interpolation

　　- 首次将稀疏视角CT（SVCT）重新定义为投影序列插值问题。- 解耦解码器将刚体对齐与纹理细化分离。- 频率感知调制强制满足傅里叶域一致性。## 引言X射线计算机断层扫描（CT）可在医学诊断和工业检测中提供高保真度的内部结构可视化。尽管效果显著，降低辐射剂量和采集时间的需求推动了稀疏视角CT（SVCT）的应用，这是一种有意对投影视角进行欠采样成像的策略。然而，减少角度采样会导致覆盖不足，引入严重的条纹伪影，从而掩盖关键结构细节。此外，低光子条件下固有的信号依赖型泊松噪声进一步加剧了这一退化，损害了后续分析的可靠性。因此，在投影域中恢复数据完整性对于高保真重建至关重要。近期研究集中于基于深度学习的辛格图修复。通过将1维探测器测量值按投影角度堆叠为2维矩阵，该方法将欠采样辛格图视为静态图像，并尝试利用局部或全局上下文填充缺失条目。尽管这些方法在单个辛格图恢复方面展现出潜力，但往往忽视了2维探测器几何结构中固有的行间交叉相关性，导致体素不一致。此外，投影域呈现独特挑战：血管或微裂纹等精细细节可能在强度或频率特征上与伪影和噪声重叠。缺乏明确的几何约束，传统深度学习模型往往无法区分这些成分。这种模糊性迫使在非物理结构幻觉与过度平滑纹理之间进行折中，两者均削弱了精密分析所需的保真度。为应对这些局限，我们将稀疏视角投影补全重新表述为角度条件化的序列插值问题。我们不再将采集过程分解为独立辛格图，而是保留完整的2维平板探测器几何结构，将获取的投影解释为旋转物体的连续动态视觉流。这种视角自然地将重建过程与视频帧插值对齐。然而，一种几何差异使得无法直接应用标准视频帧插值方法。与受局部物体运动驱动的自然视频不同，CT序列由X射线线积分几何支配。因此，为了估计缺失的衰减信号，插值必须识别跨视角的几何射线对应关系，而非仅合成局部图像内容。现有视频帧插值架构通常作为黑箱估计器运行，使用无约束的光流或可变形卷积建立像素对应关系。由于这些机制缺乏采集几何约束，它们可能产生与CT投影物理变化不相容的跨视角形变。此外，即使支持任意时间插值，插值位置通常在归一化时间域中定义，而非由物理采集角度定义。因此，这些模型对递归投影加密过程中引入的变角度间隔不敏感，限制了其跨不同插值尺度的泛化能力。本文提出PhyDiff，一种物理引导的潜在扩散框架，旨在弥合生成建模与SVCT重建之间的差距。PhyDiff集成了物理几何自编码器与谱感知潜在扩散模型，在几何和角度信息正则化下合成高保真中间投影。PhyDiff不单纯依赖局部像素拟合，而是利用已知采集角度引导低维变换以捕获跨视角变化，同时残差细化补偿超出低阶变换能力范围的空间变化残差。本工作的主要贡献总结如下：- (i) 我们提出PhyDiff，一种物理引导的潜在扩散框架，将稀疏视角投影补全重新表述为角度条件化的序列插值问题，实现角度和探测器行间相关性的联合利用。- (ii) 我们引入一种解耦解码器，结合几何引导变换与残差细化，使主要跨视角变化与目标特定结构细节得以分别建模。- (iii) 我们提出角度条件化谱调制来正则化潜在生成过程，抑制不一致的高频成分同时保留精细结构细节。## 相关工作**投影域补全。** 早期的辛格图修复方法依赖解析函数，如线性或样条插值。虽然计算效率高，但这些方法不可避免地会过度平滑结构细节，并在大角度间隙下失效。深度学习方法引入了数据驱动策略，始于U-Net架构，直接插值缺失数据或细化初步线性插值的输出。## 方法给定在角度和处获取的两个相邻投影和，我们的目标是在目标角度处合成投影。PhyDiff由物理几何自编码器和谱感知潜在扩散模型组成。在第一阶段，含噪中点投影被编码为量化潜在，而清洁中点仅用作重建目标。解码器接收目标潜在、两个相邻投影以及。## 实验设置**数据集。** 我们在三个不同的数据集上评估我们的框架。*模拟数据集：* 为解决具有多样结构和纹理的公开工业CT数据集稀缺的问题，我们构建了一个包含42个程序化生成的3D体素的模拟数据集。这些体素使用复杂几何形状、非均匀衰减模式、孔隙、裂纹和高密度包含物创建。投影通过离散Radon变换模拟，将3D体素旋转并投影。## 结论与未来展望在严重角度欠采样下实现高保真重建仍是X射线层析成像的根本挑战。本研究提出了PhyDiff，一种物理引导的潜在扩散框架，将稀疏视角投影补全重新表述为角度条件化的序列插值问题。几何约束解码器将跨视角对齐与残差细节重建分离，而谱调制模块在潜在生成期间提供角度依赖的条件化。## CRediT作者贡献声明**Shuo Duan：** 撰写——初稿、方法论。**Xing Wu：** 监督指导。**Yimin Zhu：** 监督指导。**Xinyuan Zhang：** 监督指导。**Xing Wei：** 监督指导。**Quan Qian：** 监督指导。**Jun Song：** 监督指导。**Jianbiao Dai：** 监督指导。## 利益冲突声明作者声明不存在已知的可能影响本文所报告工作的竞争性财务利益或个人关系。## 致谢本工作由国家科技重大专项——先进材料（批准号2024ZD0608000）、国家自然科学基金（批准号62172267）以及教育部硅酸盐文化遗产保护重点实验室项目（上海大学，批准号SCRC2023ZZ02ZD）资助。Shuo Duan | Xing Wu | Yimin Zhu | Xinyuan Zhang | Xing Wei | Quan Qian | Jun Song | Jianbiao Dai