使用混合2D-3D CNN框架减少欠采样三维锥束CT中的伪影
计算机视觉与模式识别
2026-02-10 v1 人工智能
摘要
欠采样CT体数据可减少采集时间和辐射暴露，但会引入降低图像质量和诊断效用的伪影。减少这些伪影对于高质量成像至关重要。我们提出了一种计算高效的混合深度学习框架，结合了2D和3D模型的优势。首先，一个2D U-Net对欠采样CT体数据的各个切片进行操作以提取特征图。然后，这些逐切片特征图在体数据上堆叠，并作为3D解码器的输入，该解码器利用跨切片的上下文信息来预测无伪影的3D CT体数据。所提出的两阶段方法平衡了2D处理的计算效率与3D建模提供的体一致性。结果表明，在冠状和矢状方向上，层间一致性有显著改善，且计算开销低。该混合框架为高质量3D CT图像后处理提供了一种鲁棒且高效的解决方案。该项目的代码可在github上找到：https://github.com/J-3TO/2D-3DCNN_sparseview/。
引用
@article{arxiv.2602.08727,
title = {Artifact Reduction in Undersampled 3D Cone-Beam CTs using a Hybrid 2D-3D CNN Framework},
author = {Johannes Thalhammer and Tina Dorosti and Sebastian Peterhansl and Daniela Pfeiffer and Franz Pfeiffer and Florian Schaff},
journal= {arXiv preprint arXiv:2602.08727},
year = {2026}
}