低線量CT（LDCT）画像の再構成は、医療診断における重要な課題です。放射線被ばくを減らすことは患者の安全性向上につながる一方で、画像にノイズと構造的アーティファクトが増加し、診断精度の低下を招きます。従来の深層学習ベースのLDCT再構成手法は特定の線量レベルまたは解剖学的領域に最適化されており、実際の臨床環境での汎化性能に課題がありました。 この論文で提案されているGenDiffは、拡散モデルを基盤とした革新的なLDCT再構成フレームワークです。本手法の特徴は、連続的な放射線線量と解剖学的情報を統一的に扱う点にあります。Dose-Anatomy Encoderが取得条件を反映した埋め込み表現を学習し、線量・解剖学的情報に条件付けされたコールド拡散バックボーンが段階的な画像改善を行います。さらに、CT物理モデルとの整合性を保証するPhysics-Consistency Updateと、構造的先験情報改善モジュール（SPRM）により、解剖学的構造を保持しながら線量依存的なアーティファクトを効果的に抑制します。 複数の臨床データセットでの実験結果は優れた性能を示しています。未見の超低線量条件、さらには分布外のファントムおよび動物データセットでも、GenDiffは最先端の畳み込みニューラルネットワークおよび既存の拡散ベース再構成手法を上回る性能を発揮しました。異なる線量レベル、解剖学的領域、取得ドメインにおいて一貫して堅牢性を維持しながら優れた再構成品質を実現し、実臨床における低線量CT画像化の有望なソリューションとなり得ます。