基于传统方法与DDPM融合的CT投影混合逆向重建框架(PHIRF)：提升损伤数据重建质量的新范式

　　本研究针对扩散概率模型(DDPM)在CT图像重建中细节保留不足的局限，提出融合传统重建算法与DDPM的混合逆向重建框架(PHIRF)。通过将传统算法生成的初步重建结果作为条件约束嵌入逆向扩散过程，显著提升了有限角/稀疏视图/低剂量等损伤投影数据的重建质量，在保留解剖细节和抑制伪影方面达到最先进性能。

　　

去噪扩散概率模型(Denoising Diffusion Probabilistic Models, DDPM)作为一种新兴的生成式框架，虽然在样本合成方面展现出潜力，但其在细节保留方面的局限性阻碍了在计算机断层扫描(Computed Tomography, CT)图像重建中的实际应用。为突破这些技术限制并提升受损CT投影数据的重建质量，本研究提出投影混合逆向重建框架(Projection Hybrid Inverse Reconstruction Framework, PHIRF)——一种将传统重建方法与DDPM架构深度融合的创新范式。

该框架采用双阶段重建策略：首先运用传统CT重建算法（如滤波反投影(Filtered Back Projection, FBP)、代数重建技术(Algebraic Reconstruction Technique, ART)、最大似然期望最大化(Maximum-Likelihood Expectation Maximization, ML-EM)）从残缺投影数据中生成初步重建结果，建立低维特征表示。这些特征经过参数化处理后，作为条件约束嵌入DDPM的逆向扩散过程，从而引导生成式模型合成具有增强结构保真度的断层图像。

研究团队针对三种典型的不适定投影场景进行了系统评估：有限角投影、稀疏视图采集和低剂量测量。实验结果表明，PHIRF在所有受损数据条件下均实现了最先进的性能表现，尤其在保留精细解剖细节和抑制重建伪影方面表现突出。定量指标与视觉评估共同证实了该框架相较于现有深度学习重建方法的持续优越性，证明了其对不同投影退化模式的强大适应能力。这种混合架构为医学图像重建任务中物理先验知识与数据驱动生成模型的结合确立了新范式。