学习 3D 高斯函数对极度稀疏视图的锥束 CT 重建
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
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
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
GaSpCT 是一种新颖的视图合成和 3D 场景表示方法,用于生成计算机断层扫描(CT)扫描的新颖投影视图,无需运动结构学(SfM)方法,在总体扫描时间和患者接受的辐射剂量方面减少。
Apr, 2024
通过条件扩散模型和高频 CT 信息,我们开发了一种用于限制角度下 CBCT 重建的鲁棒且具有结构保持特性的方法 (PFGDM),实验证明 PFGDM 在有限的转台角度下能够重建高质量的 LA-CBCT,实现更快速、更灵活和剂量减少的 CBCT 扫描。
Apr, 2024
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
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
本研究提出了一种用于稀疏视图计算机断层扫描的全局表示蒸馏(GloReDi)框架,通过傅里叶卷积学习 GloRe,从中间视图重建图像中蒸馏 GloRe,实验结果表明 GloReDi 在改善图像质量方面优于现有的方法。
Aug, 2023
通过结构化的高斯表示和正则化优化,以及深度基于初始化来解决三维重建中稀疏输入图像的挑战,提高了与现有方法相比的重建质量。
Mar, 2024