MInDI-3D：基于稀疏视角 3D Cone Beam CT 的迭代深度学习
计算机视觉与模式识别
2025-10-10 v2 人工智能
摘要
我们提出了 MInDI-3D（Medical Inversion by Direct Iteration in 3D），这是首个用于实世界稀疏视角锥束 CT (CBCT) 去除伪影的 3D 条件扩散模型，旨在减少影像辐射暴露。关键贡献在于将“InDI”概念从 2D 扩展为完整的 3D 体积方法，用于医学图像，实现了从稀疏视角输入直接对 CBCT 体积进行迭代去噪的过程。进一步的贡献是从胸部 CT 体积中生成大型伪 CBCT 数据集（16,182 个），以可靠地训练 MInDI-3D。我们进行了全面的评估，包括定量指标、可扩展性分析、泛化测试以及由 11 名临床医生进行的临床评估。我们的结果显示 MInDI-3D有效， 在 CT-RATE 伪 CBCT（独立真实世界）测试集上以仅 50 个投影获得的扫描与未校正扫描之间分别实现 12.96 (6.10) dB PSNR 提升，并实现了 8 倍的影像辐射剂量降低。我们展示了其可扩展性，通过显示随训练数据增多性能提升的效果。重要的是，MInDI-3D 在 16 名癌症患者的真实世界扫描中，在失真和任务基准指标上匹配了 3D U-Net 的性能。它也能泛化到新的 CBCT 扫描仪几何。临床医生认为我们的模型在所有解剖部位上对患者定位都足够好，并且发现其保留肺部肿瘤边界良好。
引用
@article{arxiv.2508.09616,
title = {MInDI-3D: Iterative Deep Learning in 3D for Sparse-view Cone Beam Computed Tomography},
author = {Daniel Barco and Marc Stadelmann and Martin Oswald and Ivo Herzig and Lukas Lichtensteiger and Pascal Paysan and Igor Peterlik and Michal Walczak and Bjoern Menze and Frank-Peter Schilling},
journal= {arXiv preprint arXiv:2508.09616},
year = {2025}
}