ricostruzione tomografica trifasica mediante modelli diffusivi

Il presente lavoro affronta la necessità clinica di ridurre drasticamente l'esposizione alle radiazioni negli esami di Tomografia Computerizzata (TC) in accordo con il principio ALARA, proponendo un campionamento "sparse-view" estremo (30-60 viste). Poiché tale sottocampionamento rende il problema inverso matematicamente mal posto e causa il fallimento del classico algoritmo Filtered Back Projection (FBP) con conseguenti artefatti illeggibili, la ricerca introduce un'innovativa architettura computazionale trifasica basata su modelli generativi a diffusione (DDIM). Il framework si avvia con un pre-processing analitico tramite FBP, impiegato non per l'immagine finale, ma per fornire alla rete neurale una stima geometrica iniziale. Il nucleo dell'elaborazione è la successiva fase di processing generativo (Posterior Sampling), in cui la rete colma le misurazioni mancanti affidandosi a un prior anatomico appreso; per prevenire allucinazioni cliniche, il processo è rigorosamente vincolato ai dati fisici reali (Data Consistency) tramite strategie avanzate come il metodo DDNM+. Infine, un post-processing variazionale, basato sulla minimizzazione della Variazione Totale (TV) con accelerazione cinematica FISTA, mitiga i difetti stocastici sopprimendo il rumore nei tessuti molli e preservando i contorni diagnostici. I risultati sperimentali sul database clinico LoDoPaB-CT dimostrano che l'architettura supera ampiamente le ricostruzioni analitiche classiche, generando volumi anatomici virtualmente indistinguibili dal Ground Truth. Il paradigma conferma la reale fattibilità di esami TC significativamente più sicuri, individuando nell'attuale latenza computazionale il principale ostacolo per le applicazioni in tempo reale e aprendo la strada a future ottimizzazioni tramite compressione negli spazi latenti.