面向极稀疏视图锥形 CT 重建的 3D 高斯学习
图像与视频处理
2024-07-09 v2 计算机视觉与模式识别
摘要
锥形 CT (CBCT) 是医学影像中不可或缺的技术，但其相关辐射暴露在临床实践中引发关注。为缓解这些风险，稀疏视图重建作为一种重要的研究方向，旨在通过利用更少的投影来进行 CT 重建以降低辐射剂量。尽管已在稀疏视图 CBCT 重建中引入了隐式神经表示，但现有方法主要关注来自稀疏投影的局部 2D 特征查询，这不足以处理更复杂的解剖结构，如胸部。为此，我们提出一种新型重建框架，称为 DIF-Gaussian，通过 3D 高斯表示 3D 空间中的特征分布，提供额外的 3D 空间信息以促进衰减系数的估计。此外，我们在推断过程中融入测试时优化，以进一步提高模型的泛化能力。我们在两个公开数据集上评估了 DIF-Gaussian，显示出优于以往最新方法的显著重建性能。
引用
@article{arxiv.2407.01090,
title = {Learning 3D Gaussians for Extremely Sparse-View Cone-Beam CT Reconstruction},
author = {Yiqun Lin and Hualiang Wang and Jixiang Chen and Xiaomeng Li},
journal= {arXiv preprint arXiv:2407.01090},
year = {2024}
}
备注
Accepted to MICCAI 2024. Project link: https://github.com/xmed-lab/DIF-Gaussian