Jun, 2024

CoCPF：基于坐标的连续投影场用于成像中的反问题

PDF
TL;DR本研究提出了一种名为 Coordinate-based Continuous Projection Field (CoCPF) 的方法，用于填补内部未建模区域，从而改善稀疏视图计算机断层扫描（SVCT）的重建质量。通过使用条带采样模块和可微分渲染模块，CoCPF 能够准确估计 SV 投影之间的内部测量值，并生成高质量的 CT 图像。与现有方法相比，CoCPF 在各种投影数量和几何形状下的 2D 和 3D SVCT 重建中表现出色，输出细节更加精细且没有或较少伪影。
sparse-view computed tomographyimplicit neural representation techniquescoordinate-based continuous projection fieldsvct reconstructionreconstruction quality
发现论文，激发创造
  • APRF：反问题成像中用于抗锯齿投影表示场的方法

    提出了一种基于投影约束的自我监督稀疏视图计算机断层扫描重建方法 (Anti-Aliasing Projection Representation Field)，该方法通过空间约束在相邻的投影视图之间建立连续表示，只需要少量的稀疏采样数据即可获得高质量的重建 CT 图像，并且在实验中表现出优越性能。

    Jul, 2023

  • CVT-xRF：基于对比度的体素内变压器用于稀疏输入的 3D 一致辐射场

    当使用稀疏输入进行训练时，神经辐射场（NeRF）通常遇到密度或颜色预测错误的问题，本文提出了一种新的方法来改善 NeRF 在稀疏输入情况下的性能，通过模拟三维空间场的一致性，并采用体素光线采样策略和 Transformer 进行渲染。实验证明该方法显著改善了稀疏输入设置下的性能，并与其他方法相当。

    Mar, 2024

  • 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

  • 学习概率坐标场以实现稳健的对应

    引入概率坐标场（PCFs）和 PCF-Net，作为图像对应问题的新几何和不变坐标表示法和概率网络，通过联合优化坐标场和它们的置信度条件来实现的，可以在各种特征描述符中定量地表达 PCFs 的可靠性，并且可以作为现有对应依赖方法的插件，其可靠的座标表示对匹配的准确性有所帮助，这些得到的结果即可以被用于改善优化匹配的任务或用于引入到纹理转换等多个新应用程序中。

    Jun, 2023

  • 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

  • 学习 3D 高斯函数对极度稀疏视图的锥束 CT 重建

    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

  • 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

  • DPER: 基于扩散先验的限角度和稀疏视图 CT 重建的神经表征

    通过采用 Diffusion Prior Driven Neural Representation (DPER) 方法，本研究在解决计算机断层扫描（X-ray CT）重建问题中取得了显著的性能提升，有效应对了限角和稀疏视图场景下数据获取不完整、图像重建过程中出现多样化伪影的挑战。

    Apr, 2024

  • C^2RV：稀疏视图 CBCT 重建的跨地域和跨视图学习

    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。

    Jun, 2024

  • 使用无条件生成扩散先验完成零样本 CT 视野

    利用预先训练的无条件生成扩散先验的零样本方法，可以恢复任意形状的 CT 图像截断，从而实现解剖学上一致的体截面恢复和皮下脂肪组织测量误差的减小。

    Apr, 2023