Как низкая доза рентгена превращается в чёткий снимок экспресс
Снимок с низкой дозой рентгена похож на вид через запотевшее стекло: очертания есть, но детали тонут в мутной пелене. Врачам такие кадры нужны во время лучевой терапии — чтобы нацелить пучок точно в опухоль и не задеть здоровые ткани. Но экономия излучения оборачивается шумами, полосами и пятнами, которые мешают разглядеть главное.
Авторы работы построили нейросеть, действующую как терпеливый реставратор. Она берёт испорченное изображение и шаг за шагом убирает дефекты, проявляя чёткую структуру. В основе лежит диффузионная модель — алгоритм, который учится на парах «мутный снимок — чистый снимок» и затем восстанавливает детали даже из очень зашумлённых данных. Словно программа, натренированная угадывать исходный вид по размытой фотографии.
Сеть обучали на снимках пациентов, проходивших лучевую терапию, и проверяли, насколько синтезированное КТ совпадает с настоящим. Оказалось, что физически осмысленное представление данных — не просто удобная абстракция, а реальный способ повысить точность. Для клиники это значит: меньше облучения на этапе контроля, а качество планирования остаётся высоким. Так мутное стекло становится прозрачным — и врач видит каждый миллиметр тканей.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2608.08919v1
During standard radiotherapy planning, repeated CT acquisitions are often required for patient registration, verification, and adaptive planning, resulting in increased cumulative X-ray dose. To mitigate this, low-dose cone-beam CT (CBCT) is routinely acquired during treatment delivery. However, CBCT image quality remains insufficient for accurate dose calculation and adaptive radiotherapy planning due to increased scatter, noise, beam hardening, and reconstruction related artifacts. This study develops a supervised deep learning based CBCT to CT synthesis framework using a conditional denoising diffusion probabilistic model (DDPM), where the generation of a CT-based planning for accurate positioning and dose calculation is obtained using generative models with low dose CBCT imaging. Beyond demonstrating CBCT to CT synthesis, the primary objective is to investigate how the representation of CBCT input data, either standard clinical DICOM CBCT images or filtered back-projection (FDK) reconstructions from raw projection data, affects the performance of diffusion based CT synthesis. The overarching aim is to assess whether physics aware CBCT representations better support CT-equivalent image quality while maintaining reduced imaging dose in radiotherapy workflows.
Диффузионные модели, которые здесь используют, изначально придумали для генерации изображений по текстовому описанию — они лежат в основе популярных нейросетей-художников. А теперь та же идея помогает очищать медицинские снимки от шума.