利用血管概率场进行稀疏视图数字减影血管造影重建任务的研究表明，这种方法能够有效地解决动态血流和稀疏视图数字减影血管造影图像输入不足的问题，并显著提高重建质量及全景合成图像质量。

May, 2024

通过引入 TOGS 方法，使用高斯平铺技术并结合时间上的不透明度偏移，可以提高四维数字减影血管成像的渲染质量和速度，并针对稀疏采样情况降低过拟合问题，实现与先前方法相比的最新重建质量和实时渲染。

Mar, 2024

通过训练基于神经网络的模型，并结合血液流动模拟数据集，我们的方法可以重建血管内对比剂在时间和空间上的浓度变化，具有很高的准确性和鲁棒性。

Mar, 2024

通过使用两种学习模型：基于独立成分分析的无监督机器学习方法和基于卷积神经网络的自动细分图像空间中的血管，提出的方法在 DSA 影像序列中通过突出关键信息进行自动分类血管来增强 DSA 图像序列，通过高效区分动脉和静脉为临床使用的可行解决方案。

Feb, 2024

本文提出了一种利用 3D Voxel 建模 4D 神经辐射场的方法，即 V4D, 并使用 LUTs 格式和条件位置编码来改进新视图综合任务的表现，实验表明该方法在低计算成本下取得了最先进的表现。

May, 2022

稀疏视图 CT 重建研究中，3D 高斯模型的应用表现出更好的收敛性和新视图渲染，其通过启发来自滤波反投影重建图像的先验信息去初始化高斯模型，并通过在投影空间中比较差异来更新其参数，自适应密度控制进一步提高了性能，相比隐式神经表示方法 (INR) 3D 高斯模型更能从先验信息中受益，将性能更高效地分配在空白区域，加速了收敛速度，同时也能高效地学习高频细节。在自监督学习的方式下进行训练，3D 高斯模型避免了大规模配对数据的需求。对 AAPM-Mayo 数据集的实验证明，相比基于 INR 的方法，3D 高斯模型能够提供更优异的性能。

Dec, 2023

这项研究探索了使用低剂量 CT 扫描和无对比剂加强 CT 扫描获得的图像进行自动化筛查、评估和分类的方法，开发了一种新型分割模型和 TAA 分类模型，可在不同条件下进行全自动的无对比剂和剂量独立的 TAA 评估，以减少患者的筛查时间和病理评估风险。

Oct, 2023

本文介绍了动态稀疏体素变换器（DSVT），它是一个用于室外 3D 感知的单步幅基于体素的转换器骨干。为了有效处理稀疏点云，我们提出了动态稀疏窗口注意力，这将每个窗口中的一系列局部区域根据其稀疏性划分，并以完全并行的方式计算所有区域的特征。在本文中，我们的模型实现了具有广泛 3D 感知任务的最先进的性能，并且可以轻松通过 TensorRT 进行实时推理速度（27Hz）的部署。

Jan, 2023

提出了一种 3D 医学图像分割和检测的容积注意力（VA）模块。VA 注意力受到视频处理的最新进展的启发，并使得 2.5D 网络能够利用沿着 z 方向的上下文信息，从而在训练数据有限时允许使用预先训练的 2D 检测模型。其与 Mask R-CNN 的整合显示，在肝肿瘤分割挑战中实现了最优表现，超越了以前的挑战赢家 3.9 分，并在 LiTS 排行榜上达到了最佳成绩。在 DeepLesion 数据集上的检测实验也表明，将 VA 添加到现有的物体检测器中，可以获得 69.1 的灵敏度，每张图像的 0.5 假阳性，超越了已发表的最佳结果 6.6 分。

Apr, 2020

通过稀疏视图重建减少辐射剂量的研究方向中，我们提出了一种新的重建框架，名为 DIF-Gaussian，利用三维高斯函数在三维空间中表示特征分布，通过测试时优化改进模型的泛化能力，通过在两个公共数据集上的评估结果，显示出明显优于最先进方法的重建性能。

Jul, 2024