Oral-3Dv2：基于隐式神经表示的从全景 X 射线成像的三维口腔重建
图像与视频处理
2023-09-06 v2 计算机视觉与模式识别
摘要
近年来随着深度学习模型的发展，从二维图像进行医学影像的三维重建已成为一个日益受关注的课题。以往从有限 X 射线图像进行三维重建的研究主要依赖从配对的二维与三维图像中学习，其重建质量取决于所收集数据的规模与多样性。这在训练数据收集上带来了显著挑战，因为仅有极少数患者在同一时期接受了两类放射检查。尽管从更高维图像进行模拟可解决该问题，但真实与模拟数据间的差异同时会带来巨大不确定性。在口腔重建中，由于仅可获得单张全景 X 射线图像，模型需借助先验个体知识推断弯曲形状，情况变得更具挑战性。为克服这些局限，我们提出 Oral-3Dv2，通过仅学习投影信息（即投影图像与 X 射线管的轨迹）来解决口腔医疗中的这一跨维度转换问题。我们的模型通过将二维坐标映射到三维空间中体素密度值的方式，以隐式方法表示三维口腔结构。为提升效率与效果，我们利用多头模型从轴向平面的一个二维坐标同时预测三维空间中一批体素值，并采用动态采样策略细化重建结果中密度分布的细节。在模拟与真实数据上的大量实验表明，我们的模型在不从配对图像或先验个体知识学习的情况下显著优于现有 SOTA 模型。据我们所知，这是首个基于非对抗学习的从单张全景 X 射线图像进行三维放射学重建的模型。
引用
@article{arxiv.2303.12123,
title = {Oral-3Dv2: 3D Oral Reconstruction from Panoramic X-Ray Imaging with Implicit Neural Representation},
author = {Weinan Song and Haoxin Zheng and Dezhan Tu and Chengwen Liang and Lei He},
journal= {arXiv preprint arXiv:2303.12123},
year = {2023}
}