Trong bài báo này, chúng tôi đề xuất DynamicDPS, một phương pháp mới để giảm ảo giác (các cấu trúc không có trong dữ liệu thực), một vấn đề nghiêm trọng trong tái tạo hình ảnh y tế, đặc biệt là trong các mô hình có điều kiện dựa trên dữ liệu. DynamicDPS là một khuôn khổ dựa trên khuếch tán tích hợp các mô hình khuếch tán có điều kiện và không điều kiện để giảm ảo giác một cách có hệ thống đồng thời cải thiện hình ảnh y tế chất lượng thấp. Sau khi tái tạo ban đầu bằng mô hình có điều kiện, nó được cải thiện bằng cách sử dụng bộ giải bài toán ngược dựa trên khuếch tán thích ứng, và điểm khởi đầu tối ưu được chọn theo từng mẫu và tìm kiếm tuyến tính của Wolfe được áp dụng để cải thiện hiệu quả và độ trung thực của hình ảnh. Thông qua các đánh giá sâu rộng trên các bản quét MR tổng hợp và thực, chúng tôi chứng minh rằng DynamicDPS làm giảm ảo giác và cải thiện ước tính thể tích mô hơn 15% trong khi chỉ sử dụng 5% các bước lấy mẫu so với các mô hình khuếch tán thông thường. Là một phương pháp độc lập với mô hình và không cần học, nó cung cấp một giải pháp mạnh mẽ để giảm ảo giác trong hình ảnh y tế.