基于条件扩散的 3D CT 体积从 2D X 射线重建
计算机视觉与模式识别
2026-03-30 v1
摘要
计算机断层扫描（CT）提供丰富的 3D 解剖细节，但常受高辐射暴露、巨额费用和获取受限的制约。虽然标准胸部 X 射线成本效益高且普遍可用，但仅提供 2D 投影，信息有限。从 2D X 射线重建 3D CT 体积可作为提升诊断可及性的变革性解决方案，但现有方法主要依赖合成 X 射线投影，限制了临床的广泛适用性。本文提出了 AXON，一个基于多阶段扩散的框架，直接从真实 X 射线重建高保真度 3D CT 体积。AXON 采用从粗到细的策略，初始阶段基于 Brownian 桥扩散模型进行全局结构合成，随后采用 ControlNet-based 精炼阶段进行局部强度优化。它还支持双平面 X 射线输入，以缓解 2D 到 3D 重建中固有的深度歧义。集成了超分辨率网络以实现诊断级分辨率的体积升级。在公共数据集和外部数据集上的评估表明，AXON 显著优于最先进的基线方法，在 PSNR 上提升 11.9%，在 SSIM 上提升 11.0%，并在跨临床分布的鲁棒性方面表现出色。我们的代码已公开于 https://github.com/ai-med/AXON。
引用
@article{arxiv.2603.26509,
title = {Conditional Diffusion for 3D CT Volume Reconstruction from 2D X-rays},
author = {Martin Rath and Morteza Ghahremani and Yitong Li and Ashkan Taghipour and Marcus Makowski and Christian Wachinger},
journal= {arXiv preprint arXiv:2603.26509},
year = {2026}
}