IXGS-内运算 3D 重建：稀疏、任意位置的实 X 射线
计算机视觉与模式识别
2025-04-22 v1 人工智能
摘要
脊柱手术是一种需精确操作的高风险介入，常依赖基于图像的导航系统。最近，监督学习方法在从稀疏 fluoroscopic 数据重建 3D 脊柱解剖方面受到关注，显著减少了对辐射密集型 3D 成像系统的依赖。然而，这些方法通常需要大量标注训练数据，且可能在不同患者解剖或成像条件下难以泛化。实例学习方法如高斯点云（Gaussian splatting）可通过避免大量标注需求提供替代方案。虽然高斯点云在新观点合成方面显示出前景，但其应用于稀疏、任意位置的实内运算 X 射线仍 largely 未被探索。本工作通过将 -高斯点云框架扩展到在这些具有挑战性条件下重建解剖一致的 3D 体积来解决这一限制。我们引入了基于风格迁移的解剖导向放射学标准化步骤，以提高不同视图之间的视觉一致性，增强重建质量。值得注意的是，我们的框架无需预训练，因而对新患者和解剖结构具有内在适应性。我们使用体外数据集进行评估。专家外科医生评估确认，对于导航，尤其是在使用 20-30 个视图时，3D 重建对临床实用性具有重要意义，并突显了标准化对解剖清晰度的益处。通过 2D 定量指标（PSNR/SSIM）进行基准测试后，确认了在不理想化环境下的性能权衡，但也验证了标准化相对于原始输入所带来的改进。本工作证明了从稀疏视图 X 射线进行基于实例的体积重建的可行性，推动了手术导航的内运算 3D 成像。
引用
@article{arxiv.2504.14699,
title = {IXGS-Intraoperative 3D Reconstruction from Sparse, Arbitrarily Posed Real X-rays},
author = {Sascha Jecklin and Aidana Massalimova and Ruyi Zha and Lilian Calvet and Christoph J. Laux and Mazda Farshad and Philipp Fürnstahl},
journal= {arXiv preprint arXiv:2504.14699},
year = {2025}
}