En este artículo, proponemos DynamicDPS, un novedoso método para reducir las alucinaciones (estructuras que no están presentes en los datos reales), un problema grave en la reconstrucción de imágenes médicas, especialmente en modelos condicionales basados en datos. DynamicDPS es un marco basado en la difusión que integra modelos de difusión condicionales e incondicionales para reducir sistemáticamente las alucinaciones y mejorar las imágenes médicas de baja calidad. Tras una reconstrucción inicial con el modelo condicional, se mejora mediante un solucionador de problemas inversos basado en difusión adaptativa. El punto de partida óptimo se selecciona muestra por muestra y se aplica la búsqueda lineal de Wolfe para mejorar la eficiencia y la fidelidad de la imagen. Mediante evaluaciones exhaustivas en resonancias magnéticas sintéticas y reales, demostramos que DynamicDPS reduce las alucinaciones y mejora la estimación del volumen tisular en más de un 15 % utilizando solo el 5 % de los pasos de muestreo en comparación con los modelos de difusión convencionales. Como método independiente del modelo y sin aprendizaje, proporciona una solución eficaz para la reducción de las alucinaciones en imágenes médicas.
