CVPRJun, 2024

C^2RV：稀疏视图 CBCT 重建的跨地域和跨视图学习

PDF
TL;DR通过利用显式多尺度体素表示来实现三维空间中的区域间学习，并引入比例 - 视图交叉注意模块以自适应地聚合多尺度和多视图特征，我们提出了 C^2RV 方法，通过广泛实验证明其在具有多样化解剖结构的数据集上相比先前的领先方法实现了一致并显著的改进。
cone beam computed tomographysparse-view reconstructioncbct reconstructionimplicit neural representationsc^2rv
发现论文，激发创造
  • 利用元学习的神经吸收场和哈希编码正则化进行快速准确的稀疏视角 CBCT 重建

    通过提出一种快速准确的稀疏视角锥形束计算机断层成像（CBCT）重建方法（FACT），我们发现该方法相对于传统算法在不同身体部位（胸部、头部和腹部）和计算机断层成像（CT）供应商（西门子、飞利浦和 GE）的 CBCT 扫描中产生了更好且更快的重建结果。

    Dec, 2023

  • 稀疏视角下的 CT 重建与 3D 高斯体积表示

    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

  • MVMS-RCN: 多稀疏视角与多尺度精化校正的双域展开 CT 重建

    使用数学理论设计优化的深度学习算法，提出了一种新颖的双域深度展开统一框架，结合了基于模型的方法的理论优势和深度学习方法的卓越重建性能，为多稀疏视图 CT 重建提供了更大的灵活性和广泛应用的深度学习方法。

    May, 2024

  • 基于深度神经网络的稀疏采样 CT 成像正规化合成

    介绍了一种利用深度神经网络技术的正弦图像合成方法，用于稀疏视图 CT 成像，相比于现有的插值方法和迭代重建方法，具有更好的成像效果。

    Mar, 2018

  • 使用特定领域感知网络的两步稀疏视角 CT 重建

    本文提出了一种用于稀疏视图计算机体层摄影的新框架，通过使用超分辨率网络（SIN）和细化网络（PRN）进行重建，以减少条纹伪影和提高恢复精度。

    Dec, 2020

  • 限视角 CT 隐式正弦图重建

    本文提出一种基于卷积神经网络的系统，通过隐式正演补偿完全角度之外的有限角度 CT sinogram，再进行分析和迭代重建技术，最终得到优于竞争模型的三维重建结果，并提出新的重建可信度评估方法以及通过分割实验证明了该方法有效性。

    Nov, 2017

  • 鲁棒联合稀疏视图 CT 重建的隐式神经表示

    通过联合表示以及贝叶斯框架，改进了计算机断层扫描（Computed Tomography）重建质量，实验表明明显提高了重建方法。

    May, 2024

  • CVRecon: 重新定义神经重建的 3D 几何特征学习

    提出了一种基于多视角立体技术的神经重建框架 CVRecon，使用创新的 3D 几何特征表示方法 RCCV，可以显着提高三维几何重建质量和恢复细节。

    Apr, 2023

  • 通过 2D kV 图像合成病人特定的 3D CT 图像实现精确的病人对准，无需额外的成像剂量

    提出了使用双模型框架，通过层次化 ViT 模块从 kV 图像中实时重建准确的全尺寸 3D CT，以显著提高患者摆位精度并保持最小的成像剂量，同时维护治疗的准确性。

    Apr, 2024

  • 利用深度卷积框架形成 U-Net：应用于稀疏视角 CT

    本文旨在揭示 U-Net 的局限性并提出新的多分辨率深度学习方案，具体而言，我们通过实验表明，新的网络架构可以提供更好的重建性能，并且我们探讨了 U-Net 替代方案，如双框架和紧框架 U-Net 满足所谓的框条件，使其更好地实现高频边缘的有效恢复。

    Aug, 2017