Aug, 2023

少数平面 X 射线的 CT 重建及其在低资源放疗中的应用

PDF
TL;DR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。
ct scansplanar x-rayreconstruction algorithmradiotherapy planningsparse ct reconstruction
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

  • 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

    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。

    May, 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

  • XraySyn：基于 CT 先验的单张 X 光逼真视图合成

    该文介绍了一种基于 CT 投影算法的 X 光图像合成方法，可以在无须地面真值骨标记的情况下从真实的放射性照片中综合出新的视图。

    Dec, 2020

  • 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

  • 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

  • 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

  • X-ray2CTPA: 从 2D X 射线条件生成 3D CTPA 扫描

    从 2D 低对比度 X 射线输入到 3D 高对比度和空间分辨率 CTPA 扫描的跨模态转换

    Jun, 2024