DuFal：用于高保真极稀疏视图CBCT重建的双频感知学习

由于对对应高频分量的细粒度解剖细节存在固有的欠采样问题，从有限X射线投影进行稀疏视图锥束计算机断层扫描（CBCT）重建仍然是医学成像中的一个挑战性问题。传统的基于CNN的方法通常难以恢复这些精细结构，因为它们往往偏向于学习低频信息。为了应对这一挑战，本文提出了DuFal（双频感知学习），一种通过双路径架构集成频域和空域处理的新颖框架。核心创新在于我们的高-局部分解傅里叶神经算子，它包含两个互补分支：一个捕获全局频率模式的全局高频增强傅里叶神经算子和一个处理空间分块以保留可能在全局频率分析中丢失的空间局部性的局部高频增强傅里叶神经算子。为了提高效率，我们设计了一种频谱-通道分解方案，减少了傅里叶神经算子的参数量。我们还设计了交叉注意力频率融合模块，以有效整合空间和频率特征。融合特征随后通过特征解码器解码以产生投影表示，进而通过强度场解码流水线处理以重建最终的计算机断层扫描体积。在LUNA16和ToothFairy数据集上的实验结果表明，DuFal在保留高频解剖特征方面显著优于现有的最先进方法，特别是在极稀疏视图设置下。