学习深度强度场用于极稀疏视角 CBCT 重建
图像与视频处理
2023-09-01 v3 计算机视觉与模式识别
摘要
稀疏视角锥束 CT（CBCT）重建是降低辐射剂量并惠及临床应用的一个重要方向。先前基于体素的生成方法将 CT 表示为离散体素，由于使用 3D 解码器而导致高内存需求与有限的空间分辨率。本文中，我们将 CT 体积表述为连续强度场，并提出了一种新颖的 DIF-Net，以超快速度从极稀疏（少于 10 幅）投影视角执行高质量 CBCT 重建。CT 的强度场可视为 3D 空间点的连续函数。因此，重建可重新表述为从给定稀疏投影回归任意 3D 点的强度值。具体而言，对于点，DIF-Net 从不同 2D 投影视角提取其视角特定特征。这些特征随后由融合模块聚合以进行强度估计。值得注意的是，数千个点可并行处理，以提升训练与测试效率。实践中，我们收集了一个膝关节 CBCT 数据集来训练和评估 DIF-Net。大量实验表明，我们的方法能在 1.6 秒内从极稀疏视角以高图像质量和高空间分辨率重建 CBCT，显著优于当前最优（SOTA）方法。我们的代码将发布于 https://github.com/xmed-lab/DIF-Net。
引用
@article{arxiv.2303.06681,
title = {Learning Deep Intensity Field for Extremely Sparse-View CBCT Reconstruction},
author = {Yiqun Lin and Zhongjin Luo and Wei Zhao and Xiaomeng Li},
journal= {arXiv preprint arXiv:2303.06681},
year = {2023}
}
备注
MICCAI'23