稀疏视角 Cone Beam CT 重建的神经离散表示学习：从算法设计到临床前多中心评估
计算机视觉与模式识别
2025-12-02 v1
摘要
锥束计算机断层扫描 (CBCT)-导诊穿刺已成为诊断和治疗早至中期胸腔肿瘤的成熟方法，但其相关辐射暴露显著增加二次恶性肿瘤的风险。尽管已引入多种低剂量 CBCT 策略，但均未在大规模多中心回顾性数据集上进行验证，且缺乏前瞻性临床评估。本文提出 DeepPriorCBCT - 一个三阶段深度学习框架，仅需常规辐射剂量的六分之一即可实现诊断级重建。纳入 12 个中心的 4102 名患者和 8675 例 CBCT 检查用于开发和验证 DeepPriorCBCT。此外，还开展了一个前瞻性交叉试验 (注册号：NCT07035977)，招募 138 名计划进行经皮胸腔穿刺的患者，以评估该模型的临床适用性。由 11 名医生评估确认，重建图像与原始扫描图像无显著区别。此外，诊断性能和整体图像质量均与标准重建算法生成的结果相当。在前瞻性试验中，5 名放射科医生报告称，DeepPriorCBCT 生成的图像质量和病灶评估与临床标准无显著差异 (所有 P>0.05)。同样，25 名介入治疗医生对基于模型和全采样图像在手术指导方面的偏好相差不大 (Kappa<0.2)。DeepPriorCBCT 的辐射暴露约为常规方法的六分之一，综合上述结果确认，其在稀疏采样条件下实现高质量 CBCT 重建，显著降低了手术中的辐射风险。
引用
@article{arxiv.2512.00873,
title = {Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation},
author = {Haoshen Wang and Lei Chen and Wei-Hua Zhang and Linxia Wu and Yong Luo and Zengmao Wang and Yuan Xiong and Chengcheng Zhu and Wenjuan Tang and Xueyi Zhang and Wei Zhou and Xuhua Duan and Lefei Zhang and Gao-Jun Teng and Bo Du and Huangxuan Zhao},
journal= {arXiv preprint arXiv:2512.00873},
year = {2025}
}