この論文は、少数の低線量投影から体積画像を作るデジタル乳房トモシンセシス（DBT: digital breast tomosynthesis）で、観測データに「完全に一致」する画像を出しつつ、生成型の学習事前分布（拡散モデル）による不確かさを正しく評価する方法を示します。代表的な9投影・25度のプロトコルでは画像空間の98%以上が測定されません。測定の抜けた部分（missing wedge）は学習済みの先行情報に頼る必要があり、そこで生じる「局所化されない生成（hallucination）」や不確かさの未校正が臨床上の障害でした。研究者らはこれらを同時に扱う手法を提案しています。

技術的には、条件付き拡散サンプラーの各ステップで通常使う“近接演算（proximal update）”をやめ、代わりにデータと厳密に一致する点へユークリッド距離で射影（projection）する操作を入れました。ここでの射影は、観測行列Aの積AA^Tの一度きりの因子分解を使うm次元の双対系で計算します。これにより各ステップの射影は4.5ミリ秒で済み、従来実装に比べて約248倍速くなりました。実際のデータ残差は倍精度の床（2.4×10^-13）まで下がります。論文はこの射影が近接演算のρ→0極限であることを示し、「害はない（no-harm）」という定理も提示しています。

不確かさの扱いについては、データと完全に一致するサンプル集合の分散（ばらつき）は観測行列Aの零空間（null(A)、観測で区別できない成分）にのみ現れることを示しました。言い換えれば、画像の平均の誤差はすべて測定されていない成分にあります。そのため、不確かさの地図（uncertainty map）は平均誤差のある方向を正しく示します。さらに単調再校正（isotonic recalibration）を用いると、アンサンブルの広がりを実際の誤差尺度に合わせられました。具体的には期待校正誤差（expected calibration error）が0.029から0.008へ改善し、標準化誤差は4.7から0.96へと改善しました。これは、生の先行分布のみを使う場合よりも誤差の大小をよく識別できることを意味します。

評価は患者由来の乳房ファントムで行われ、忠実度が向上して深さ分解能の損失は見られませんでした。加えて、各ステップの後に近接演算を追加すると逆に画質が劣化することから、射影をどこで入れるかが性能に決定的な影響を持つことが分かりました。実運用で使われている投影演算子に対し、20.3%の随伴（adjoint）不一致が検出され、それを“記録された演算子”として実体化して修正したとも報告しています。

この研究は「限られた角度のDBTに対してデータ整合性を厳守し、不確かさまで校正した初の学習再構成法」であると述べています。臨床的に重要なのは、観測と矛盾する偽の構造を減らし、どこが不確かかを示せる点です。一方で注意点もあります。代表的プロトコルでは98%以上が未観測という本質的制約は残ります。今回の結果は患者由来ファントムでの評価に基づくものであり、広い臨床検証が必要です。また手法はノイズのある測定に対しては不一致許容（discrepancy-ball）や最尤事後推定（MAP: maximum-a-posteriori）へと自然に緩和される設計ですが、実際のノイズ環境での振る舞いも今後の課題です。