论文题目:学习三维高斯函数用于极稀疏视图锥束CT重建
主要探讨了一种新的锥束计算机断层扫描(CBCT)重建框架,称为DIF-Gaussian,旨在通过使用更少的投影来减少辐射剂量,同时提高重建图像的质量。
论文地址:[2407.01090] Learning 3D Gaussians for Extremely Sparse-View Cone-Beam CT Reconstruction (arxiv.org)
项目地址:github.com
还是先看论文再看代码
摘要:
锥束计算机断层扫描(CBCT)是医学成像中不可或缺的技术,但其相关的辐射暴露在临床实践中引起关注。为了降低这些风险,稀疏视图重建已成为重要的研究方向。尽管已经引入了隐式神经表示进行稀疏视图CBCT重建,现有方法主要关注从稀疏投影中查询局部2D特征,这对于处理更复杂的解剖结构(如胸部)是不够的。为此,作者提出了一种新的重建框架DIF-Gaussian,利用3D高斯来表示3D空间中的特征分布,提供额外的3D空间信息以便于估计衰减系数。此外,作者在推理过程中加入了测试时优化(test-time optimization, TTO),以进一步提高模型的泛化能力。通过在两个公共数据集上的评估,DIF-Gaussian显示出比之前最先进方法显著优越的重建性能。
引言:
介绍了CBCT的重要性和稀疏视图重建的动机,以及现有方法的局限性。
方法
DIF的概述。利用K-view中间特征F学习三维高斯参数。对于三维点p,从高斯特征(3D)和k视图特征(2D)中查询混合代表性特征,估计其衰减系数v。
问题表述
基于隐式神经表示的稀疏视图CBCT重建问题被表述为学习一个隐式映射函数g,该函数将稀疏2D投影和3D空间中的任意点映射到对应的衰减系数。
I:K个稀疏2D投影,
p:是在三维空间中定义的任意点,
v∈R为对应的衰减系数(或称强度[13])值。
DIF-Gaussian框架
- 3D高斯的定义:3D高斯由位置(u)、协方差矩阵(Σ)和代表性特征定义。协方差矩阵可以由旋转和平移矩阵(M)确定。
- M又可以用a 4-dimensional quaternion r和缩放因子s定义:
- 因此,三维高斯函数可以表示为一组参数。
- 从投影中学习3D高斯:使用共享的2D编码器提取语义特征,
- 然后通过多层感知机(MLPs)学习高斯参数。
- 从3D高斯查询特征:给定一个3D点p和一个3D高斯G,可以基于高斯的协方差矩阵直接从3D空间查询该点的特征。
将查询权值定义为
-
三维高斯函数用于显式表示三维空间中的特征分布,这意味着我们可以基于这些高斯函数直接从三维空间查询p的特征:
- 从k视图投影中查询p的特征为
- 实现细节:使用U-Net作为2D编码器,并通过随机采样点进行训练,使用均方误差进行模型优化。
测试时优化(TTO)
- 基于X射线成像的基本原理,提出了一种在推理过程中对模型进行微调的方法,以优化投影误差。
-
射线累积的总能量衰减(Nr + 1个点的离散近似)为
基于上述约束,我们进一步提出了测试时间优化,以提高井训练模型g在推理过程中的泛化能力。具体地说,给定稀疏投影I,映射函数µEqn. 7可以表示为µ(·)≡g(I,·)。然后,我们可以优化投影误差∥e(R)−e(R)∥2来微调g,其中e(R)是投影中pd的真实测量值,使用Eqn. 7计算出e(R)。
实验
作者在两个公共数据集(胸部CT和牙科CBCT)上进行了实验,验证了DIF-Gaussian和TTO的有效性。使用了峰值信噪比(PSNR)和结构相似性(SSIM)作为评估指标。
结果
DIF-Gaussian在所有比较的方法中表现最佳,即使在只有6个视图的情况下,也能提供比其他方法更好的图像质量。