NeCA：通过神经隐式表示从两个二维投影重建三维冠状动脉树

心血管疾病是全球最常见的健康威胁。二维 X 射线侵入性冠状动脉造影（ICA）仍然是实时心脏介入治疗期间最广泛采用的 CVD 评估成像模态。然而，心脏病专家通常难以基于二维平面解读冠状动脉的三维几何结构。此外，由于辐射剂量限制，通常仅采集两个血管造影投影，这提供了有限的血管几何信息，并使得仅基于两个 ICA 投影的三维冠状动脉树重建成为必要。在本文中，我们提出了一种名为 NeCA 的自监督深度学习方法，该方法基于使用多分辨率哈希编码器和可微锥束前向投影层的神经隐式表示，以实现从两个二维投影重建三维冠状动脉树。我们使用从右冠状动脉和左前降支的冠状动脉计算机断层扫描血管造影生成的数据集，通过六种不同的指标验证了我们的方法。评估结果表明，与有监督的深度学习模型相比，我们的 NeCA 方法无需三维真实值进行监督或大型数据集进行训练，在血管拓扑结构和分支连接性保持方面均取得了令人鼓舞的性能。