SinoSynth：面向通用 CBCT 图像增强的基于物理的域随机化方法

锥束计算机断层扫描（CBCT）在医学领域具有广泛应用。确保 CBCT 扫描图像的高质量对于准确诊断和治疗至关重要。然而，CBCT 图像易受噪声和伪影的影响，这削弱了其有用性和可靠性。现有方法通常通过图像到图像转换方法来处理 CBCT 伪影，但这些方法受限于训练数据中存在的伪影类型，可能无法涵盖来自扫描协议变异导致的 CBCT 退化的完整光谱。收集额外数据以涵盖所有可能的情景常常具有挑战性。为此，我们提出了 SinoSynth，一种基于物理的退化模型，用于模拟各种 CBCT 特定伪影，从而生成多样化的合成 CBCT 图像，而无需预先对齐数据。通过大量实验，我们展示了在异构多机构数据集上，several 不同的生成网络训练于我们合成的数据可实现卓越效果，甚至优于训练于实际数据的相同网络。我们进一步表明，Our degradation model conveniently provides an avenue to enforce anatomical constraints in conditional generative models, 从而生成高质量且结构保持的合成 CT 图像。