通过多模态融合与端到端配准提升基于 CBCT 的合成 CT 质量
信号处理
2025-07-09 v1
摘要
锥束计算机断层扫描 (CBCT) 因其快速获取和低辐射剂量，在内科手术中广泛应用。然而，CBCT 图像通常受到制造工艺和视觉质量较低的影响，与传统计算机断层扫描 (CT) 不同。一个有前景的解决方案是生成合成 CT (sCT)，即将 CBCT 体积翻译到 CT 域。在本工作中，我们通过联合利用内科手术 CBCT 和术前 CT 数据，实现了对 sCT 生成的多模态学习。为克服模态之间固有的错位问题，我们在 sCT 流程中引入一个端到端可学习的配准模块。该模型在受控的人工合成数据集上进行评估，允许精确操控数据质量和配准参数。进一步，我们在两个真实临床数据集上验证了其鲁棒性和通用性。实验结果表明，在 90 个评估情形中，整合配准于多模态 sCT 生成中可显著提升 sCT 质量，优于基准多模态方法。值得注意的是，当 CBCT 质量较低且术前 CT 仅 moderately 错位时，改进效果最为显著。
引用
@article{arxiv.2507.06066,
title = {AI-based Environment-Aware XL-MIMO Channel Estimation with Location-Specific Prior Knowledge Enabled by CKM},
author = {Yuelong Qiu and Di Wu and Yong Zeng and Yanqun Tang and Nan Cheng and Chenhao Qi},
journal= {arXiv preprint arXiv:2507.06066},
year = {2025}
}
备注
13 pages, 11 figures, 1 table, Under review at IEEE Transactions on Communications