Towards reconstructing experimental sparse-view X-ray CT data with diffusion models

Título: Hacia la reconstrucción de datos experimentales de CT de rayos X con pocas vistas utilizando modelos de difusión

1. Planteamiento del Problema

La tomografía computarizada (CT) de rayos X con pocas vistas (sparse-view) es un problema inverso mal planteado que busca reducir la dosis de radiación y los tiempos de escaneo. Aunque los generadores basados en difusión se han mostrado prometedores como priores (priors) para estos problemas, la mayoría de los estudios se basan en datos sintéticos.
El desafío principal radica en la brecha entre la simulación y la realidad (sim-to-real gap), que se manifiesta en dos formas críticas:

• Desajuste de dominio (Domain Shift): Los modelos de difusión suelen entrenarse con datos sintéticos ideales (como el fantoma Shepp-Logan estándar), lo que provoca que fallen al reconstruir objetos físicos reales con variaciones geométricas y texturales no vistas durante el entrenamiento.
• Desajuste del modelo directo (Forward Model Mismatch): Los modelos de adquisición reales contienen imperfecciones físicas (endurecimiento del haz, dispersión, ruido complejo, inexactitudes geométricas) que no son capturadas por los operadores forward matemáticos simplificados utilizados en la inferencia. Esto puede llevar a que el solucionador amplifique artefactos o genere "alucinaciones" estructurales para forzar la consistencia con los datos.

2. Metodología

Los autores diseñaron un estudio controlado para aislar y analizar estas fuentes de error:

• Datos Experimentales: Construyeron un fantoma físico real cortado con láser en una placa de PMMA, diseñado para imitar la geometría del fantoma Shepp-Logan estándar, pero con variaciones reales. Se adquirieron datos reales en un escáner CT de laboratorio en el CWI (Ámsterdam) y se compararon con simulaciones basadas en el diseño CAD y reconstrucciones de campo completo.
• Priors de Difusión: Entrenaron tres modelos de difusión distintos utilizando conjuntos de datos sintéticos generados a partir de elipses perturbadas:
  1. $f_{std}$: Entrenado exclusivamente con el fantoma Shepp-Logan estándar (distribución estrecha).
  2. $f_{exp}$: Entrenado específicamente con la geometría del fantoma experimental cortado con láser.
  3. $f_{mix}$: Entrenado con una mezcla de ambos, creando una distribución más diversa y amplia.
• Pipeline de Reconstrucción: Utilizaron el esquema de Muestreo de Difusión Descompuesta (DDS). Este método combina la dirección del prior aprendido ($\epsilon_\theta$) con la dirección de consistencia de datos basada en física (gradiente de la pérdida de verosimilitud).
• Estrategias de Inferencia: Investigaron el impacto de la programación del peso de la verosimilitud ($\gamma$), comparando un peso constante contra un programa de decaimiento lineal (annealed schedule), donde el peso se reduce a medida que avanza el proceso de desruido.

3. Contribuciones Clave

El trabajo aporta tres hallazgos fundamentales:

1. Impacto de la Distribución de Entrenamiento: Demostraron que un prior "narrow" (específico) falla catastróficamente ante un desajuste geométrico severo. Sorprendentemente, un prior diverso ($f_{mix}$) superó a los priores especializados ($f_{std}$ y $f_{exp}$) en escenarios experimentales, sugiriendo que la exposición a variaciones estructurales mejora la robustez incluso cuando el objetivo es específico.
2. Naturaleza del Desajuste del Modelo Directo: Identificaron que el desajuste físico no solo genera rayas (streaks), sino también alucinaciones estructurales, donde el solucionador distorsiona características reales (como desplazamientos espaciales de agujeros) para alinearse con proyecciones físicamente inconsistentes.
3. Estrategia de Inferencia Adaptativa: Propusieron y validaron un programa de decaimiento lineal para el peso de la verosimilitud. Esta estrategia equilibra la consistencia de datos en las etapas iniciales (ruidosas) con la dominancia del prior en las etapas finales, mitigando el ajuste a artefactos físicos y mejorando la eficiencia computacional.

4. Resultados Experimentales

• Rendimiento de los Priors: En dominios ideales, el prior específico ($f_{std}$) funcionó mejor. Sin embargo, en datos experimentales reales, el prior mixto ($f_{mix}$) demostró una generalización superior, recuperando estructuras en todos los dominios, mientras que los priores especializados colapsaron o produjeron alucinaciones graves.
• Brecha Simulación-Realidad: Incluso al aumentar la resolución de la reconstrucción (hasta 512x512), persistió una brecha de rendimiento entre los datos simulados y los experimentales, confirmando que los errores de calibración física y las inconsistencias espectrales son fuentes de error dominantes.
• Efecto del Programador de Peso (Scheduling):
  • Un peso de verosimilitud constante alto funcionó bien en simulaciones pero provocó un colapso en los datos reales (caída de PSNR de ~26 dB a ~14 dB) debido al ajuste excesivo a ruido y artefactos no modelados.
  • El decaimiento lineal recuperó el rendimiento en datos reales (PSNR ~25.69 dB), permitiendo que el prior suprimiera el ruido residual y refinara los detalles al final del proceso.
  • Además, el enfoque con programación permitió mantener alta calidad con muy pocos pasos de muestreo (NFE=100), siendo crucial para la viabilidad computacional.

5. Significado e Implicaciones

Este estudio es crucial porque desmitifica la transferencia directa de modelos de difusión entrenados en datos sintéticos a aplicaciones médicas o industriales reales.

• Validación Rigurosa: Subraya la necesidad de validar los algoritmos de IA contra benchmarks del mundo real, no solo sintéticos.
• Robustez vs. Especialización: Sugiere que, en entornos experimentales complejos, la diversidad en el entrenamiento del prior es más valiosa que la especialización estrecha.
• Eficiencia Práctica: La propuesta de programación de pesos (annealing) ofrece una vía práctica para aplicar estos métodos costosos en escenarios reales, equilibrando la fidelidad de los datos con la calidad de la imagen y reduciendo el costo computacional.

En conclusión, aunque los solucionadores basados en difusión tienen un gran potencial, su aplicación exitosa en CT experimental requiere gestionar activamente tanto el desajuste de distribución como el desajuste del modelo físico mediante estrategias de inferencia adaptativas y priores diversos.