May, 2023

XTransCT：使用转换网络通过两个正交 X 射线投影进行超快速体积 CT 重建

PDF
TL;DR本文提出了一种名为 XTransCT 的新型 Transformer 架构，可从二维 X 光图像中实时重建 CT 图像，该方法在图像质量、结构可靠性和普适性方面优于其他方法，并且可以在重建 3D 图像的同时实现约 300％的速度提高。
computed tomographyultra-sparse x-ray projectionstransformer architecturereal-time reconstructionimage quality
发现论文，激发创造
  • 单层和双层放射照片 CT 重建的变压器

    本文介绍了一种基于变压器架构的新方法，该方法可在仅有的双平面 X 射线的情况下重建计算机断层扫描（CT）图像，进而实现对器官进行大体测量，具有很高的实用价值。该方法可作为一种新型检测手段，并提供了一个基于 GitHub 的公开代码库，以鼓励更深入的研究。

    May, 2023

  • XProspeCT: 从成对 X 射线生成 CT 体积

    该研究论文通过使用更大的数据集和不同的模型结构，探索将正交 X 射线图像转换成模拟 CT 体积的方法，以解决 CT 扫描在辐射剂量和成本方面相对于 X 射线成像的问题。关键模型变化包括 UNet 架构、自定义连接、激活函数、损失函数、优化器和一种新颖的反投影方法。

    Feb, 2024

  • X2CT-GAN: 用生成对抗网络从二平面 X 光线重建 CT

    使用生成对抗网络（GAN）框架从两个正交 X 射线重构 CT。所提出的特殊设计的生成器网络通过提供从 2D 到 3D 的数据维度增加，从而提高了医学成像技术。该方法不需要完整的旋转扫描并可以在低成本的 X 射线机上实现。在公开的胸部 CT 数据集上进行了广泛的实验评估，并获得较好的成果。

    May, 2019

  • 少数平面 X 射线的 CT 重建及其在低资源放疗中的应用

    通过使用先前数据分布，我们提出了一种方法，从少量（＜5）平面 X 射线观察中生成 CT 体积，并首次评估了该重建算法用于临床应用：放疗计划。

    Aug, 2023

  • 通过合成数据上的深度端到端学习实现有限角度层析重建

    基于深度神经网络，本论文提出了一个训练于大量精心制作的合成数据上的模型，可以进行受限角度的断层投影重建，即便仅有 30° 或 40° 的正弦图像，取得了 2022 年赫尔辛基断层成像挑战赛的第一名。

    Sep, 2023

  • 面向医学神经辐射场的不确定性感知单视图体积渲染

    利用生成的辐射场，本文提出了基于不确定性感知的 MedNeRF 神经网络，通过从 2D X 射线图像中获取内部结构和深度信息，并使用自适应损失权重来学习 CT 投影的连续表达，以确保生成图像的质量。在公开可用的膝盖和胸部数据集上训练，以及利用单个 X 射线进行 CT 投影渲染，并与其他基于生成的辐射场的方法进行比较。

    Nov, 2023

  • SdCT-GAN：使用自主驱动生成对抗网络由双平面 X 射线重建 CT

    本文提出了一种新的自主驱动生成对抗网络模型（SdCT-GAN），通过引入鉴别器中的新型自动编码器结构，以及结合来自 2D X 射线图像的边缘信息的 Sobel 梯度引导器（SGG）思想，能够更好地保留细节并使用 LPIPS 评估度量量化评估重构图像的轮廓和纹理，实验证明了该模型相对于主流最先进基准模型的优势。

    Sep, 2023

  • 单张图像断层摄影：2D 头颅 X 光获取 3D 图像体积

    本研究展示了基于深度学习的卷积神经网络可以重构二维 X 光成为三维体积，通过将粗略的，固定分辨率的体积与输入的 X 光融合成高分辨率的体积，以实现更加精细化的成像。同时，研究团队还创建了一个新的数据集，其中包括了将近 50 万个 175 个哺乳动物物种的计算机模拟二维 X 光成像的数据，为以前基于层析成像和数据驱动学习的方法提供了比较和验证，并应用于实际 X 光成像数据的重构和渲染。

    Oct, 2017

  • 基于深度学习的快速准确肺癌三维 CT 可变形图像配准

    该研究开发了一种基于视觉转换的非对称自编码器网络，可以从 2D 的 kV 图像中重建出 3D CT 图像，实现了患者定位精度的提高。

    Apr, 2023

  • XctDiff：从单个 X 射线投影图像中重建具有一致解剖结构的 CT 图像

    本文提出了一种名为 XctDiff 的算法框架，用于从单个放射照片中重建 CT，该算法将重建过程分解为两个易于控制的任务：特征提取和 CT 重建。实验结果表明，我们提出的方法在重建性能方面达到了最先进水平，并克服了模糊问题。此外，我们还将 XctDiff 应用于自监督预训练任务，其有效性表明它在医学图像分析方面具有很大的应用潜力。

    Jun, 2024