Dental pathology detection in 3D cone-beam CT
Diagnocat（Diagnocat公司）
锥形束计算机断层扫描（CBCT）是牙科诊断中一种有价值的成像方法，可提供传统2D成像无法提供的信息。然而，CBCT图像的解释是一个耗时的过程，需要医生使用复杂的软件。在这项工作中，我们提出了一个自动化的管道组成的几个深卷积神经网络和算法的并行处理。我们的任务是双重的：a）在3D图像体积内找到每个现有牙齿的位置，以及b）检测每个牙齿中的几种常见牙齿状况。该系统对6种常见牙齿状态的定位精度达到96.3%，平均AUROC为0.94。
2018-10-24 cs.CV
Learning to Avoid Poor Images: Towards Task-aware C-arm Cone-beam CT Trajectories
Johns Hopkins University（约翰斯·霍普金斯大学）；Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大大学埃尔兰根-纽伦堡分校）；Eidgenössische Technische Hochschule Zürich（苏黎世联邦理工学院）
计算机断层扫描（CT）中的金属伪影是由于断层扫描重建过程中图像形成的物理特性与理想化假设之间的不匹配而产生的。这些伪影在金属植入物周围特别强烈，抑制了3D锥束CT（CBCT）的广泛采用，尽管有明确的机会在术中验证植入物定位，例如在脊柱融合手术中。在合成和真实数据上，我们证明了可以通过以任务感知和患者特定的方式获取更好的重建数据来避免大部分伪影，并描述了实现所设想的任务感知CBCT协议的第一步。传统的短扫描CBCT轨迹是平面的，几乎没有空间进行场景特定的调整。我们通过自主调整平面外角度来扩展此轨迹。这使得能够实现场景特定的C形臂源轨迹，因为它们避免采集以射束硬化、光子饥饿和噪声为特征的“差图像”。使用深度卷积神经网络实时执行理想平面外成角的推荐，该深度卷积神经网络回归从成像物理学导出的可检测性等级。
2019-09-19 cs.CV cs.LG eess.IV
Learned Cone-Beam CT Reconstruction Using Neural Ordinary Differential Equations
Friedrich-Alexander Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
逆问题的学习迭代重建算法提供了将有关问题的分析知识与从数据中学习的模块相结合的灵活性。通过这种方式，它们可以实现高重建性能，同时确保与测量数据的一致性。在计算机断层摄影中，由于训练这种模型所需的过高的GPU存储器，将这种方法从2D扇束扩展到3D锥束数据是具有挑战性的。本文提出用神经元常微分方程通过数值积分来解决残差公式中的重构问题。对于训练，不需要通过几个展开的网络块进行反向传播，也不需要通过求解器的内部进行反向传播。相反，梯度在神经ODE设置中非常高效地获得，允许在单个消费者图形卡上进行训练。该方法是能够减少根均方误差超过30%相比，表现最好的经典迭代重建算法，并产生高质量的锥束重建，即使在稀疏视图的情况下。
2022-01-19 cs.CV eess.IV
Deep autofocus with cone-beam CT consistency constraint
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Siemens Healthcare GmbH（西门子医疗有限公司）；University Hospital Basel（巴塞尔大学医院）
介入C臂锥形束计算机断层扫描（CBCT）的高质量重建需要精确的几何信息。如果几何信息被损坏，例如。例如，在一个实施例中，由于意外的患者或系统移动，测量的信号在反向投影操作中错位。随着介入C形臂CBCT采集时间的延长，患者僵硬运动的可能性增加。为了相应地调整反投影操作，运动估计策略是必要的。最近，提出了一种新的基于学习的方法，能够补偿采集平面内的运动。我们通过CBCT一致性约束扩展了该方法，该约束被证明对于垂直于采集平面的运动是有效的。通过这两种措施的协同组合，平面内和平面外运动可以很好地检测到，实现了93%的平均伪影抑制。这优于基于熵的最先进的自动对焦措施，平均达到54%的伪影抑制。
2019-12-04 cs.CV cs.LG eess.IV
Coarse-to-fine volumetric segmentation of teeth in Cone-Beam CT
Diagnocat
我们考虑的问题，定位和分割个别牙齿内的三维锥形束计算机断层扫描（CBCT）图像。为了处理大尺寸的图像，我们采用由粗到细的框架来处理这一任务，首先将整个体积分析为粗分辨率的33类语义分割（成人最多有32颗牙齿），然后以原始分辨率对感兴趣的裁剪区域进行二进制语义分割。为了提高具有挑战性的33类分割的性能，我们首先在大型弱标记数据集上训练粗步模型，然后在较小的精确标记数据集上对其进行微调。精细步长模型仅使用精确标签进行训练。使用我们的内部数据集进行的实验表明，弱监督预训练和添加精细步骤都有显着改善。经验上，该框架产生精确的牙齿掩模，具有足够用于许多现实世界应用的低定位误差。
2018-10-24 cs.AI cs.CV
Splat-Based Metal Artifact Reduction in Cone-Beam CT via Compact Attenuation Modeling
KAIST（韩国科学技术院）
本文针对锥形束CT的金属伪影问题，提出基于样条的框架，将物理多能前向模型融入连续高斯表示，实现高效联合优化，实验显示其收敛更快、抑伪影效果更优。
2026-08-06 cs.CV cs.GR
Neural Modulation Fields for Conditional Cone Beam Neural Tomography
University of Amsterdam（阿姆斯特丹大学）；Netherlands Cancer Institute（荷兰癌症研究所）
本文提出神经调制场（NMF）及条件式锥束神经断层成像框架 CondCBNT，通过在投影数据集上训练单一条件式神经场并建模患者特异性局部调制，提升少投影、多投影及含噪 CBCT 重建性能。
2023-07-17 cs.CV eess.IV
Nonlinear ill-posed problem in low-dose dental cone-beam computed tomography
National Institute for Mathematical Sciences（国家数学科学研究所）；Yonsei University（延世大学）
本文描述了低剂量牙科锥束计算机断层扫描（CBCT）的不适定非线性逆问题的数学结构，并解释了基于深度学习的方法重建计算机断层扫描图像相对于传统正则化方法的优势。本文解释了牙科CBCT比标准计算机断层扫描更不适定的根本原因。尽管存在这种严重的不适定性，但由于其成本竞争力和低辐射剂量，对牙科CBCT系统的需求正在迅速增长。然后，我们描述了现有方法的局限性，在使用牙科CBCT数据严重损坏的金属种植体的牙齿的形态结构的准确恢复。我们进一步讨论了从CBCT数据生成的全景图像用于精确牙齿分割的有用性。我们还讨论了在CBCT图像重建中利用无辐射口腔内扫描数据作为先验信息以补偿金属植入物对数据造成的损害的可能性。
2023-03-03 cs.CV eess.IV physics.med-ph
Improving Cone-Beam CT Image Quality with Knowledge Distillation-Enhanced Diffusion Model in Imbalanced Data Settings
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Yonsei University College of Medicine（延世大学医学院）；Yonsei Cancer Center（延世癌症中心）；OncoSoft
针对放射治疗中CBCT图像组织密度不准的问题，提出结合知识蒸馏的自训练扩散模型，利用2800对配对数据及4200个CBCT数据，生成高质量CT图像，优于Pix2pix和CycleGAN。
2024-09-19 cs.CV
Metal Artifact Reduction in Cone-Beam X-Ray CT via Ray Profile Correction
Stony Brook University（石溪大学）
在计算机断层扫描（CT）中，金属植入物增加了测量数据与分析CT重建算法所做的线性衰减假设之间的不一致性。这种不一致性会在重建图像中产生暗带和亮带以及条纹，统称为金属伪影。这些伪影使得放射科医师难以做出正确的诊断决策。我们描述了一种用于图像引导脊柱手术的数据驱动金属伪影减少（MAR）算法，适用于患者既往CT扫描可用的情况。我们用两个临床数据集测试了所提出的方法，这两个数据集都是在脊柱手术中获得的。使用所提出的方法，我们不仅能够去除由植入螺钉引起的暗条纹和亮条纹，而且还恢复了被这些伪影隐藏的解剖结构。这使得外科医生能够更好地确认植入椎弓根螺钉位置的正确性。
2018-08-06 cs.CV
Visual enhancement of Cone-beam CT by use of CycleGAN
University of Tokyo Hospital（东京大学医院）；Kyushu University（九州大学）
锥形束计算机断层扫描（CBCT）提供了优于传统扇束CT的优势，因为它需要更短的时间和更少的曝光来获得图像。CBCT已经在用于图像引导放射治疗的患者定位、提取用于设计患者特异性治疗的放射组学信息以及计算用于自适应放射治疗的分数剂量分布中发现了各种各样的应用。然而，CBCT图像遭受低的软组织对比度，噪声和伪影相比，传统的扇束CT图像。因此，提高CBCT的图像质量是非常必要的。在本文中，我们提出了一种综合的方法来翻译CBCT图像与深度神经网络。我们的方法只需要未配对和未对齐的CBCT图像和计划扇束CT（PlanCT）图像进行训练。一旦经过训练，3D重建的CBCT图像可以直接转换为高质量的PlanCT图像。我们证明了我们的方法的有效性，从24个前列腺患者获得的图像，我们提供了一个统计和视觉比较。与原始CBCT相比，平移图像的图像质量在体素值、空间均匀性和伪影抑制方面显示出实质性改善。原始CBCT图像的解剖结构在翻译后的图像中也得到了很好的保留。我们的方法能够实现更准确的自适应放射治疗，并为CBCT开辟了依赖于高质量图像的新应用。
2019-11-26 cs.CV physics.med-ph
An efficient method to automate tooth identification and 3D bounding box extraction from Cone Beam CT Images
Dezzai（德扎伊）；LLC FDLAB（FDLAB有限责任公司）；Central Research Institute of Dentistry and Maxillofacial Surgery（口腔颌面外科中央研究院）
针对CBCT图像中牙齿建模受伪影干扰难度大的问题，提出将三维图像切为轴向切片、用单阶段检测器定位标记牙齿再生成3D边界框的自动提取方法，已集成入Dentomo工具。
2024-07-10 cs.AI cs.CV eess.IV
Automatic Registration between Cone-Beam CT and Scanned Surface via Deep-Pose Regression Neural Networks and Clustered Similarities
Seoul National University（首尔大学）；Harvard University（哈佛大学）；Seoul National University School of Dentistry（首尔大学牙医学院）；Soong-sil University（崇实大学）
颌面部锥形束计算机断层扫描（CT）图像和扫描牙模型之间的计算机配准是牙种植或正颌外科手术规划的必要前提。我们提出了一种新的方法，执行锥束CT图像和光学扫描模型之间的全自动配准。为了构建鲁棒且自动的初始配准方法，我们的方法在简化域中应用深度姿态回归神经网络（即，2-三维图像）。随后，通过最优聚类进行精细配准。多数表决系统实现了全局最优的转换，而每个集群试图优化局部转换参数。聚类的一致性决定了它们对于最优聚类集的候选资格。基于最优聚类之间的一致性，有效地去除了等值面中的边远区域。配准的准确性通过10个标志点在扫描模型上的欧氏距离来评估，这些标志点由该领域的专家注释。实验结果表明，该方法的配准精度，衡量标志距离，优于其他现有方法的30.77%至70%。除了实现高准确度之外，我们提出的方法既不需要人类交互也不需要先验（例如，等值面提取）。我们的研究的主要意义是双重的：1）轻加权神经网络的就业，这表明神经网络在提取姿势线索，可以很容易地获得的适用性和2）介绍了一个最佳的基于聚类的注册方法，可以避免在匹配过程中的金属伪影。
2019-07-29 cs.CV
Learning Wavelet-Sparse FDK for 3D Cone-Beam CT Reconstruction
Friedrich-Alexander University Erlangen-Nuremberg（弗里德里希-亚历山大大学埃尔朗根-纽伦堡）
针对3D CBCT重建中FDK算法抗噪性差、深度学习方法复杂度高且可解释性弱的问题，提出结合小波稀疏表示的改进FDK神经网络，在保留可解释性与原推理成本的同时大幅减少参数量、提升重建效果。
2025-05-19 cs.AI cs.CV cs.LG
An Iterative Reconstruction Method for Dental Cone-Beam Computed Tomography with a Truncated Field of View
National Institute for Mathematical Sciences（数学科学研究院）
针对牙科CBCT截断视野导致的图像质量下降问题，提出一种基于隐式神经表示生成先验图像并校正投影差异的两阶段迭代重建方法，有效抑制截断伪影并提升图像质量。
2025-08-11 cs.CV
Feedback Assisted Adversarial Learning to Improve the Quality of Cone-beam CT Images
Kyoto University（京都大学）
使用对抗学习的无监督图像翻译一直受到关注，以提高医学图像的图像质量。然而，基于鉴别器的全局评估值的对抗训练不能为局部不同的图像特征提供足够的翻译性能。我们提出了一种带有反馈机制的对抗性学习，以提高CBCT图像的质量。该框架采用U-网作为神经网络，输出表示局部判别结果的概率图。概率图被反馈到生成器并用于训练以改进图像平移。我们使用76个相应的CT-CBCT图像进行的实验证实，与传统的对抗性学习框架相比，所提出的框架可以捕获更多样化的图像特征，并生成像素值接近参考图像的合成图像，相关系数为0.93。
2022-10-23 cs.CV eess.IV
Splat-based Metal Artifact Reduction in Cone-Beam CT via Polychromatic Modeling
KAIST（韩国科学技术院）
提出一种集成多色X射线投影模型等的Gaussian Splatting框架，无需手动金属掩码，联合优化参数与光谱，发布相关数据集，在CBCT金属伪影减少上性能优于现有最优方法。
2026-08-14 cs.CV cs.GR
3D CBCT Challenge 2024: Improved Cone Beam CT Reconstruction using SwinIR-Based Sinogram and Image Enhancement
本文提出一种集成基于 SwinIR 的正弦图与图像增强模块，并采用 NAG-LS 求解 CT 重建的 CBCT 重建方法，显著降低了低剂量和临床剂量下的 MSE，位列挑战赛前五。
2024-06-12 cs.CV eess.IV
Gradient-Based Trajectory Optimisation over Continuous Poses for Sparse-View Cone-Beam CT
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Deggendorf Institute of Technology（德根多夫技术学院）
提出将稀疏视角锥束CT的每个源位姿作为连续变量，通过梯度上升联合优化轨迹，集成软Tuy覆盖、视角协方差损失与衰减惩罚，在多种扫描几何上提升缺陷可见性并支持快速预扫描规划。
2026-10-08 cs.CV
Automated external cervical resorption segmentation in cone-beam CT using local texture features
UT Health San Antonio（圣安东尼奥健康科学中心）；Private Practice in Endodontics（牙髓科私人诊所）；Kitware（Kitware公司）
针对CBCT中ECR手动评估耗时且易出错的问题，提出基于逐体素局部纹理特征二分类的自动分割方法，并在6个纵向数据集上验证其检测与钙化模式分析能力。
2025-01-09 cs.CV
Learning 3D Gaussians for Extremely Sparse-View Cone-Beam CT Reconstruction
The Hong Kong University of Science and Technology（香港科技大学）；HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科技大学深港协同创新研究院）
本文提出DIF-Gaussian框架，利用三维高斯表示三维空间特征分布并结合测试时优化，显著提升极稀疏视角锥形束CT重建性能。
2024-07-07 cs.CV eess.IV
Pose-Aware Instance Segmentation Framework from Cone Beam CT Images for Tooth Segmentation
Seoul National University（首尔国立大学）；Soong-sil University（崇实大学）
从锥形束计算机断层扫描（CBCT）图像中分割单个牙齿是在几种应用中（如牙齿重建计划和种植体引导模拟）解剖学理解正畸结构的必要先决条件。然而，CBCT图像中严重金属伪影的存在阻碍了每个牙齿的准确分割。在这项研究中，我们提出了一个神经网络的像素标记，利用实例分割框架，是强大的金属文物。我们的方法包括三个步骤：1）图像裁剪和重新对齐的姿态回归，2）金属鲁棒的个人牙齿检测，和3）分割。我们首先通过姿态回归神经网络提取患者的对齐信息，以获得感兴趣体积（VOI）区域并重新对齐输入图像，从而减少牙齿边界框之间的相互重叠区域。然后，使用卷积检测器将各个牙齿区域定位在VOI重新对准的图像内。我们通过在区域建议网络中采用非最大抑制和多类分类度量来提高检测器的准确性。最后，我们应用卷积神经网络（CNN）通过将像素级标记任务转换为距离回归任务来执行单个牙齿分割。金属密集型图像增强也被用于金属伪影的鲁棒分割。结果表明，我们提出的方法优于其他国家的最先进的方法，特别是对牙齿的金属文物。所提出的方法的主要意义是双重的：1）引入姿态感知VOI重新对准，随后是稳健的牙齿检测，以及2）用于精确牙齿分割的金属稳健的CNN框架。
2020-02-06 cs.CV
Physics-Inspired Gaussian Kolmogorov-Arnold Networks for X-ray Scatter Correction in Cone-Beam CT
School of Mathematical Sciences, Capital Normal University（首都师范大学数学学院）；School of Mathematics and Statistics, Nanjing University of Information Science and Technology（南京信息工程大学数学与统计学院）；College of Computer Science (College of Software), Inner Mongolia University（内蒙古大学计算机学院）
针对锥形束CT采集过程中的散射伪影问题，提出结合散射分布旋转对称性物理先验与高斯RBF-KAN层的校正方法，经合成与真实实验验证，其校正效果在量化指标上优于现有方法。
2025-10-28 cs.CV
Tooth Instance Segmentation from Cone-Beam CT Images through Point-based Detection and Gaussian Disentanglement
Seoul National University（首尔国立大学）；Soongsil University（崇实大学）
个体牙齿分割和识别锥束计算机断层扫描图像是正畸治疗的术前先决条件。使用卷积神经网络的实例分割方法已经证明了对单个牙齿分割任务的突破性结果，并且用于各种医学成像应用。虽然基于点的检测网络在牙齿图像上取得了优异的结果，但由于相邻牙齿的相似拓扑结构和邻近性质，区分相邻牙齿仍然是一项具有挑战性的任务。在这项研究中，我们提出了一个基于点的牙齿定位网络，有效地解开每一个单独的牙齿的基础上高斯解纠缠的目标函数。所提出的网络首先对所有解剖牙齿执行热图回归，并伴随着箱回归。通过最小化所有相邻齿对的热图的逐像素乘法的总和来采用新的高斯解纠缠惩罚。随后，通过将逐像素标记任务转换为距离图回归任务来执行个体牙齿分割，以最小化牙齿的相邻区域中的假阳性。实验结果表明，该算法优于国家的最先进的方法，提高了9.1%的平均检测精度，这导致在一个高性能的个人牙齿分割。所提出的方法的主要意义是双重的：1）引入不需要额外分类的基于点的牙齿检测框架，以及2）设计新颖的损失函数，其基于基于点的检测框架中的热图响应有效地分离高斯分布。
2021-02-02 cs.CV
Localization of Cochlear Implant Electrodes from Cone Beam Computed Tomography using Particle Belief Propagation
Leibniz University Hanover（汉诺威莱布尼茨大学）；Hannover Medical School（汉诺威医学院）
耳蜗植入体（CI）是一种植入式医疗器械，可以恢复患有严重听力损失的人的听力。CI使用一组放置在耳蜗内的电极触点，以电流脉冲刺激听觉神经。这些电极的确切位置可能是改善和预测这些设备性能的重要参数。目前，临床上用于表征耳蜗几何形状以及估计电极位置的方法是手动的、容易出错且耗时。我们提出了一个马尔可夫随机场（MRF）模型的CI电极定位锥束计算机断层扫描（CBCT）数据集。电极的强度和形状以及接触之间的距离和角度被包括作为先验知识。MRF推理是基于切片采样粒子置信度传播的，并由几种算法指导。一个随机搜索找到最好的最大后验估计之间采样MRF实现。我们评估我们的算法合成和真实CBCT数据集，并比较其性能与两个国家的最先进的算法。在实际CBCT数据集上，定位精度分别提高到31.5%（平均值）或48.6%（中位数）。
2021-03-18 cs.CV eess.IV q-bio.QM
Anatomy-preserving unpaired cone-beam CT refinement for image-guided radiotherapy using pseudo-label guided diffusion
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Southern University of Science and Technology（南方科技大学）；Huashan Hospital, Fudan University（复旦大学附属华山医院）
提出RefineCBCT，一种基于伪标签引导短步扩散的非配对CBCT精化框架，在LUNG和PELVIC TCIA数据集上优于GAN和扩散方法，有效减少伪影并保留解剖结构。
2026-10-06 cs.CV
Field-of-View Extension in Dental Cone-Beam CT via Implicit Neural Representations and Diffusion Model-Based Refinement
University of Basel（巴塞尔大学）；University of Campinas（坎皮纳斯大学）；Wuhan University（武汉大学）
针对牙科CBCT视野截断问题，提出结合隐式神经表示、迭代重建和扩散模型的三阶段框架，有效减少伪影并扩展视野，提升图像质量。
2026-09-24 cs.AI cs.CV
Artifact Reduction in 3D and 4D Cone-beam Computed Tomography Images with Deep Learning -- A Review
Zurich University of Applied Sciences (ZHAW)（苏黎世应用科技大学）；Institute of Applied Mathematics and Physics (IAMP)（应用数学与物理研究所）
本文综述了利用深度学习减少3D和4D CBCT图像中运动、金属和低剂量伪影的方法，重点按伪影类型分析数据仿真与去伪影技术，并指出生成模型和开放数据集是未来趋势。
2024-03-27 cs.CV
One shot PACS: Patient specific Anatomic Context and Shape prior aware recurrent registration-segmentation of longitudinal thoracic cone beam CTs
Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）
图像引导的自适应肺放射治疗需要在治疗期间从锥形束CT（CBCT）图像中准确地分割肿瘤和器官。胸部CBCT难以分割，因为软组织对比度低、成像伪影、呼吸运动和较大的治疗诱导的胸内解剖变化。因此，我们开发了一种新的患者特定的解剖背景和形状先验或PACS感知的3D递归配准分割网络，用于纵向胸部CBCT分割。分割和配准网络在端到端框架中同时训练，并使用卷积长短期记忆模型实现。使用成对的计划CT（pCT）和CBCT图像以无监督的方式训练配准网络，并产生渐进变形的图像序列。通过将渐进变形的pCT（解剖背景）和pCT轮廓（形状背景）与CBCT图像相结合，在一次性设置中优化分割网络。我们的方法，一次性PACS，肿瘤（p $<$ 0.001）（DSC为0.83 $\pm$ 0.08，表面DSC [sDSC]为0.97 $\pm$ 0.06，$95^{th}$百分位数的Hausdorff距离[HD 95]为3.97 $\pm$ 3.02 mm）和食管（DSC为0.78 $\pm$ 0.13，sDSC为0.90 $\pm$ 0.14，HD 95为3.22 $\pm$ 2.02）分割比多种方法分割好。进行了烧蚀试验和对比试验。
2022-01-26 cs.CV eess.IV
Generalizable Cone Beam CT Esophagus Segmentation Using Physics-Based Data Augmentation
Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）；Peking University Cancer Hospital（北京大学肿瘤医院）
食管的自动分割在肺癌的图像引导/自适应放射治疗中至关重要，以最大限度地减少辐射诱导的毒性，例如急性食管炎。我们开发了一种基于语义物理学的数据增强方法，用于使用3D卷积神经网络在计划CT（pCT）和锥形束CT（CBCT）中分割食管。使用来自四个独立数据集的191个病例及其pCT和CBCT来训练改进的3D-Unet架构，该架构具有专门为软组织器官（如食管）设计的多目标损失函数。使用幂律自适应直方图均衡化方法从第1周CBCT中提取散射伪影和噪声，并将其引入相应的pCT，然后使用CBCT重建参数进行重建。此外，我们利用基于物理学的伪影诱导的pCT来驱动真实每周CBCT中的食管分割。使用几何Dice和Hausdorff距离以及使用平均食管剂量和D5 cc进行剂量学评估。由于基于物理的数据增强，我们仅在合成CBCT上训练的模型是稳健的，并且具有足够的可推广性，可以在pCT和CBCT上产生最先进的结果，实现0.81和0.74 Dice重叠。我们基于物理学的数据增强跨越了患者CBCT/pCT数据中的真实噪声/伪影频谱，并且可以很好地概括各种模式，有可能提高治疗设置和响应分析的准确性。
2021-01-30 cs.CV eess.IV
Inertial Measurements for Motion Compensation in Weight-bearing Cone-beam CT of the Knee
Ewha Womans University（梨花女子大学）；Stanford University（斯坦福大学）；Siemens Healthcare GmbH（西门子医疗有限公司）
膝关节负重锥形束计算机断层扫描（CT）过程中的不自主运动会导致重建体积中的伪影，使其无法用于临床诊断。目前，应用基于图像或基于标记的方法来校正这种运动，但通常需要长的执行或准备时间。我们建议附加一个惯性测量单元（IMU）包含一个加速度计和一个陀螺仪的对象的腿，以测量在扫描过程中的运动和纠正it. To验证这种方法，我们提出了一个模拟研究，使用实际运动测量的光学三维跟踪系统。通过这种运动，XCAT数值膝关节体模在模拟CT扫描期间非刚性变形，产生运动破坏投影。使用相同的跟踪运动对生物力学模型进行动画处理，以生成放置在膝盖下方的IMU的测量结果。在我们提出的多阶段算法中，这些信号被转换到CT扫描的全局坐标系中，并在重建过程中用于运动补偿。我们提出的方法可以有效地减少重建体积中的运动伪影。与运动破坏的情况相比，相对于无运动的情况，平均结构相似性指数和均方根误差分别提高了13-21%和68- 70%。这些结果在定性和定量上与我们比较的最先进的基于标记的方法相当。所提出的研究表明，这种新的方法的可行性，并产生有前途的结果对一个纯粹的基于IMU的运动补偿在C型臂CT。
2020-07-09 cs.CV
Deep-learning-based Breast CT for Radiation Dose Reduction
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Koning Corporation（科宁公司）
锥形束乳房计算机断层成像（CT）提供了具有各向同性分辨率和高对比度信息的真实3D乳房图像，可检测小至几百微米的钙化并揭示细微的组织差异。然而，乳房对X射线辐射高度敏感。减少辐射剂量对医疗保健至关重要。少视图锥形束CT仅使用标准锥形束乳腺CT采集的一小部分X射线投影数据，从而能够显著降低辐射剂量。然而，不充分的采样数据将导致严重的条纹伪影的CT图像重建使用传统的方法。在这项研究中，我们提出了一种基于深度学习的方法来建立图像重建的残差神经网络模型，该模型适用于少视图乳腺CT，以生成高质量的乳腺CT图像。我们分别使用标准锥形束乳腺CT的三分之一和四分之一的X射线投影视图来评估基于深度学习的图像重建。基于临床乳腺成像数据集，我们进行了监督学习训练神经网络从少视图CT图像到相应的全视图CT图像。实验结果表明，基于深度学习的图像重建方法允许少视图乳腺CT实现每次锥束CT扫描的辐射剂量<6 mGy，这是FDA为乳腺X线筛查设定的阈值。
2019-09-25 cs.CV eess.IV physics.med-ph
Rigid and non-rigid motion compensation in weight-bearing cone-beam CT of the knee using (noisy) inertial measurements
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Ewha Womans University（梨花女子大学）；Stanford University（斯坦福大学）；Siemens Healthcare GmbH（西门子医疗保健有限公司）
受试者的不自主运动是膝关节负重锥形束CT中伪影的主要来源。为了获得用于临床诊断的图像质量，需要对运动进行补偿。我们建议使用惯性测量单元（IMU）连接到腿的运动估计。我们进行了模拟研究，使用真实的运动记录与光学跟踪系统。三个基于IMU的校正方法进行评估，即刚性运动校正，非刚性2D投影变形和非刚性3D动态重建。我们提出了一个初始化过程的基础上系统的几何形状。通过IMU噪声仿真，我们研究了所提出的方法在实际应用中的适用性。所有提出的基于IMU的方法至少与最先进的基于标记的方法一样好地校正运动。与未校正的情况相比，无运动和运动校正的体积之间的结构相似性指数和均方根均方误差分别提高了24-35%和78- 85%。噪声分析表明，市售IMU的噪声水平需要提高$10^5$的因子，这是目前仅通过专用硬件实现的，对于应用来说不够鲁棒。所提出的研究证实了这种新方法的可行性，并定义了一个真正的应用程序所需的改进。
2021-02-24 cs.CV eess.IV
Equivariant Multiscale Learned Invertible Reconstruction for Cone Beam CT: From Simulated to Real Data
Netherlands Cancer Institute（荷兰癌症研究所）；University of Amsterdam（阿姆斯特丹大学）；Elekta Limited（Elekta有限公司）
本文提出LIRE++，一种旋转等价多尺度学习可逆重建方法，用于提升锥束CT的重建效率与图像质量。
2025-12-24 cs.CV physics.med-ph
Liver Segmentation using Turbolift Learning for CT and Cone-beam C-arm Perfusion Imaging
Otto von Guericke University Magdeburg（马格德堡奥托·冯·格里克大学）；Helmholtz-Zentrum hereon（亥姆霍兹赫里昂中心）；Hannover Medical School（汉诺威医学院）；Human Technopole（人类技术园）
采用时间分离技术（TST）的基于模型的重建被发现可以改善使用C型臂锥形束计算机断层扫描（CBCT）的肝脏动态灌注成像。为了使用从CT灌注数据提取的先验知识应用TST，肝脏应该从CT扫描中准确地分割。重建的主要和基于模型的CBCT数据需要分割适当的可视化和灌注图的解释。这项研究提出了Turbolift学习，它在不同的肝脏分割任务上连续训练多尺度Attention UNet的修改版本，遵循训练CT，CBCT，CBCT TST的顺序-使之前的训练作为后续训练的预训练阶段-解决了训练数据集数量有限的问题。对于来自CBCT TST的肝脏分割的最终任务，所提出的方法在6倍和4倍交叉验证实验中分别实现了0.874 $\pm$ 0.031和0.905 $\pm$ 0.007的总体Dice分数-确保了仅针对该任务训练的模型的统计学显著改进。实验表明，Turbolift不仅提高了模型的整体性能，而且使其对源于栓塞材料和截断伪影的伪影具有鲁棒性。此外，深入分析证实了分割任务的顺序。本文展示了从CT、CBCT和CBCT TST中分割肝脏的潜力，从可用的有限训练数据中学习，这些训练数据将来可能用于肝脏疾病治疗评价的灌注图的可视化和评价。
2023-02-09 cs.CV cs.LG eess.IV
CTooth: A Fully Annotated 3D Dataset and Benchmark for Tooth Volume Segmentation on Cone Beam Computed Tomography Images
Queen Mary University of London（伦敦玛丽女王大学）；Communication University of Zhejiang（浙江传媒学院）；University of Leicester（莱斯特大学）；University of Electronic Science and Technology of China（电子科技大学）；Hangzhou Dianzi University（杭州电子科技大学）
三维牙齿分割是计算机辅助牙科诊断和治疗的前提。然而，手动分割所有牙齿区域是主观且耗时的。最近，基于深度学习的分割方法产生了令人信服的结果，并减少了手动注释工作，但它需要大量的地面实况进行训练。据我们所知，可用于3D分割研究的牙齿数据很少。在本文中，我们建立了一个完全注释的锥束CT数据集CTooth与牙齿金标准。该数据集包含22个卷（7363个切片），由经验丰富的射线照相解释者注释了精细的牙齿标签。为了确保相对均匀的数据采样分布，数据方差包括在CTooth中，包括缺失的牙齿和牙齿修复。在此数据集上评估了几种最先进的分割方法。之后，我们进一步总结并应用一系列基于3D注意力的Unet变体来分割牙齿体积。这项工作为牙齿体积分割任务提供了一个新的基准。实验证据证明，3D UNet结构的注意力模块增强了牙齿区域的响应，并抑制了背景和噪声的影响。3D Unet与SKNet注意力模块的性能最好，分别为88.04% Dice和78.71% IOU。基于注意力的Unet框架在CTooth数据集上的表现优于其他最先进的方法。发布了代码库和数据集。
2022-06-17 cs.AI cs.CV
Cutting Voxel Projector a New Approach to Construct 3D Cone Beam CT Operator
Institute of Materials Physics, Helmholtz-Zentrum Hereon（亥姆霍兹中心黑尔戈兰材料物理研究所）；Institute for Medical Engineering and Research Campus STIMULATE, Otto von Guericke University（奥托·冯·格里克大学医学工程与STIMULATE研究园区研究所）
本文提出一种切割体素投影器，通过解析公式计算体素对探测器像素的贡献，支持自适应网格细化，在锥束CT重建中相比TT投影器精度更高，且松弛版本速度更快。
2025-03-26 cs.CV cs.NA eess.IV
CTooth+: A Large-scale Dental Cone Beam Computed Tomography Dataset and Benchmark for Tooth Volume Segmentation
Queen Mary University of London（伦敦玛丽女王大学）；Communication University of Zhejiang（浙江传媒学院）；University of Electronic Science and Technology of China（电子科技大学）；West China Hospital of Stomatology, Sichuan University（四川大学华西口腔医院）；University of Leicester（莱斯特大学）
准确的牙齿体积分割是计算机辅助牙齿分析的前提。基于深度学习的牙齿分割方法已经取得了令人满意的性能，但需要大量的牙齿数据。可公开获得的牙科数据有限，这意味着现有方法无法在临床实践中重现，评估和应用。在本文中，我们建立了一个3D牙科CBCT数据集CTooth+，其中有22个完全注释的体积和146个未标记的体积。我们进一步评估了几种基于全监督学习、半监督学习和主动学习的最先进的牙齿体积分割策略，并定义了性能原则。这项工作为牙齿体积分割任务提供了一个新的基准，该实验可以作为未来基于AI的牙科成像研究和临床应用开发的基线。
2022-08-02 cs.AI cs.CV eess.IV
Deep cross-modality (MR-CT) educed distillation learning for cone beam CT lung tumor segmentation
Memorial Sloan Kettering Cancer Center（纪念斯隆·凯特琳癌症中心）
尽管治疗室内锥形束计算机断层扫描（CBCT）成像广泛可用，但由于缺乏可靠的分割方法，CBCT仅用于肺部放射治疗中的总体设置校正。准确可靠的自动分割工具可以增强体积反应评估和几何引导的自适应放射治疗。因此，我们开发了一种新的深度学习CBCT肺部肿瘤分割方法。研究方法：我们的方法称为交叉模态导出蒸馏（CMEDL）的关键思想是使用磁共振成像（MRI）来指导CBCT分割网络训练，以在训练过程中提取更多信息特征。我们通过使用未配对的CBCT和MRI数据集训练由未配对域自适应（UDA）和跨域分割蒸馏网络（SDN）组成的端到端网络来实现这一点。特征提取使学生网络规则化以提取与由教师网络提取的MRI特征的统计分布相匹配的CBCT特征，并获得肿瘤与背景的更好区分。我们还比较了使用UDA与MR分割网络的替代框架，其中在合成的伪MRI表示上进行分割。所有网络均使用从不同患者队列中获得的216个每周CBCT和82个T2加权快速自旋回波MRI进行训练。对未用于培训的患者的20个每周CBCT进行了验证。对未用于培训或验证的患者的38个每周CBCT进行独立测试。分割精度使用表面Dice相似系数（SDSC）和Hausdroff距离在第95百分位数（HD95）度量。
2021-04-21 cs.CV eess.IV
Swap-Net: A Memory-Efficient 2.5D Network for Sparse-View 3D Cone Beam CT Reconstruction
Department of Electrical Engineering & Computer Science, University of Michigan（电气工程与计算机科学系，密歇根大学）；Theoretical Division, Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室理论部）
针对稀疏视角下3D锥束CT重建中2D网络全局信息利用不足、3D网络内存开销过高的问题，提出内存高效的2.5D网络Swap-Net，通过轴交换操作实现端到端3D重建，在ICF相关仿真任务中效果优于基线方法。
2024-09-29 cs.CV eess.IV
Robustness and Stability Analysis of Differentiable Shift-Variant FBP for Cone-Beam CT under Challenging Acquisition Settings
Pattern Recognition Lab, Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen, Germany（模式识别实验室，弗赖堡-亚历山大-大学埃尔朗根-纽伦堡，埃尔朗根，德国）
研究锥束CT中可微变移位FBP在挑战性采集设置下的鲁棒性与稳定性，通过系统研究发现其在不规则轨迹稳定，采样点分布影响大，稀疏视图下质量优、计算快，严重欠采样有性能下降，还适用于非平面多等中心几何结构。
2026-07-14 cs.CV eess.IV
Stable Optimization for Large Vision Model Based Deep Image Prior in Cone-Beam CT Reconstruction
Zhejiang Lab（之江实验室）；Sir Run Run Shaw Hospital, Zhejiang University College of Medicine（浙江大学医学院附属邵逸夫医院）
针对稀疏视角CBCT重建中原始DIP收敛难、LVM需大量训练数据的问题，提出结合多尺度感知损失和重加权机制的无正向模型LVM基DIP稳定优化方法，在两个公开数据集上实现图像质量和伪影抑制的显著提升。
2024-01-28 cs.CV eess.IV
Soft Tuy-Completeness for Robust Projection Selection in Cone-Beam CT
Pattern Recognition Lab, Friedrich-Alexander-Universität Erlangen-Nürnberg（模式识别实验室，弗赖堡-亚历山大-大学埃尔兰根-纽伦堡）
基于Tuy完备性理论，提出连续软近正交评分和分辨率感知饱和覆盖目标，通过次模贪心算法和混合整数线性规划实现投影选择，并引入有效空间分辨率作为轨迹级诊断指标。
2026-05-20 cs.CV cs.DM
Cone-Beam CT Image Quality Enhancement Using A Latent Diffusion Model Trained with Simulated CBCT Artifacts
Graduate School of Medicine, Kyoto University（京都大学医学研究科）
本文提出一种基于条件潜变量扩散模型的锥束CT图像质量增强方法，利用伪CBCT图像进行自监督学习，有效提升图像质量并保持解剖结构，实验表明其在处理速度和图像改善性能上优于传统方法。
2026-03-27 cs.CV eess.IV
HARU-Net: Hybrid Attention Residual U-Net for Edge-Preserving Denoising in Cone-Beam Computed Tomography
Department of Dentistry and Oral Health, Aarhus University（牙科与口腔健康系，奥胡斯大学）
HARU-Net通过混合注意力残差U-Net结构，有效提升CBCT去噪性能，实现高PSNR和SSIM，低计算成本。
2026-02-26 cs.AI cs.CV cs.LG
Cephalogram Synthesis and Landmark Detection in Dental Cone-Beam CT Systems
Friedrich-Alexander-University Erlangen-Nuremberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Erlangen Graduate School in Advanced Optical Technologies (SAOT)（埃尔朗根先进光学技术研究生院）
由于缺乏标准化的3D头影测量分析方法，从3D锥形束计算机断层扫描（CBCT）体积合成的2D头影测量被广泛用于牙科CBCT系统中的头影测量分析。然而，与传统的基于X射线胶片的头颅X线片相比，这种合成头颅X线片缺乏图像对比度和分辨率。此外，3D重建扫描期间的辐射剂量会导致潜在的健康风险。在这项工作中，我们提出了一个基于S形的强度变换，利用X射线胶片的非线性光学特性，以增加合成头影照片的图像对比度。为了提高图像分辨率，研究了超分辨率深度学习技术。出于低剂量目的，提出了像素到像素生成对抗网络（pix 2 pixGAN），用于直接从两个CBCT投影合成2D头影照片。针对合成头影图像中的界标检测问题，提出了一种结合LeNet-5和ResNet 50的高效界标自动检测方法。我们的实验证明了pix 2 pixGAN在2D头影合成中的有效性，参考从3D CBCT体积合成的头影，实现了平均峰值信噪比（PSNR）值为33.8。Pix 2 pixGAN还在超分辨率方面实现了最佳性能，实现了32.5的平均PSNR值，而不会引入棋盘格或锯齿状伪影。我们提出的自动标志检测方法在ISBI测试1数据的2 mm临床可接受范围内实现了86.7%的成功检测率，这与最先进的方法相当。该方法可直接应用于合成X线片中的标志点检测，在4 mm精度范围内，对3D立体和2D投影合成X线片的标志点检测成功率分别为93.0%和80.7%…
2021-03-20 cs.CV eess.IV
A gradient-based approach to fast and accurate head motion compensation in cone-beam CT
Siemens Healthineers AG（西门子医疗集团）
本文提出一种基于梯度的CBCT运动估计方法，利用反投影算子的广义导数和体素级质量图回归网络，实现19倍加速并将重投影误差从3mm降至0.61mm，显著提升头部运动补偿的效率和准确性。
2024-10-21 cs.CV eess.IV
Deep learning based projection domain metal segmentation for metal artifact reduction in cone beam computed tomography
Aalto University（阿尔托大学）；Planmeca Oy（普兰梅卡公司）
针对CBCT金属伪影减少中投影金属分割标注难的问题，提出用X射线模拟生成合成训练数据，结合全尺寸与裁剪投影训练模型，提升了鲁棒性与图像质量，可集成到现有MAR流程。
2023-10-09 cs.CV eess.IV
A Learning-based Method for Online Adjustment of C-arm Cone-Beam CT Source Trajectories for Artifact Avoidance
Johns Hopkins University（约翰斯·霍普金斯大学）；Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Eidgenössische Technische Hochschule Zürich（苏黎世联邦理工学院）
在脊柱融合手术中，螺钉放置在靠近关键神经的位置，这表明需要高度准确的螺钉放置。在高质量断层成像上放置螺钉至关重要。C形臂锥形束CT（CBCT）提供术中3D断层成像，允许立即验证，并在需要时进行翻修。然而，商业CBCT设备可达到的重建质量是不够的，主要是由于在椎弓根螺钉存在严重的金属伪影。这些伪影起因于图像形成的真实物理特性与在重建期间假设的其理想化模型之间的失配。因此，将视图提前采集到受这种不匹配影响最小的解剖结构上可以提高重建质量。我们建议在扫描过程中调整C形臂CBCT源轨迹，以优化特定任务（即螺钉放置验证）的重建质量。使用卷积神经网络动态地执行调整，所述卷积神经网络在给定当前X射线图像的情况下对可能的下一视图的质量指数进行回归。调整CBCT轨迹以获取推荐视图导致非圆形源轨道，从而避免不良图像以及因此的数据不一致。我们证明了在真实模拟数据上训练的卷积神经网络能够预测质量指标，从而能够对CBCT源轨迹进行场景特定的调整。使用逼真的模拟数据和真实的CBCT收购的半拟人化的幻影，我们表明，所产生的场景特定的CBCT收购的断层重建表现出改善的图像质量，特别是在金属伪影。由于优化目标是隐式编码在一个神经网络，所提出的方法克服了需要在运行时的3D信息。
2020-08-14 cs.CV eess.IV
Deep Learning based Direct Segmentation Assisted by Deformable Image Registration for Cone-Beam CT based Auto-Segmentation for Adaptive Radiotherapy
University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
基于锥形束CT（CBCT）的在线自适应放射治疗需要精确的自动分割，以减少医生编辑轮廓的时间成本。然而，基于深度学习（DL）的CBCT图像直接分割是一项具有挑战性的任务，主要是由于图像质量差和缺乏标记良好的大型训练数据集。可变形图像配准（Deformable Image Registration，简称DIF）通常用于将同一患者的计划CT（planning CT，简称pCT）上的手动轮廓传播到CBCT。在这项工作中，我们将在联合国的协助下解决上述问题。我们的方法包括三个主要组成部分。首先，我们使用变形的pCT轮廓从pCT和CBCT之间的多个拼接方法作为伪标签的DL为基础的直接分割模型的初始训练。其次，我们使用变形的pCT轮廓从另一个pCT算法作为影响体积定义的DL为基础的直接分割的兴趣区域。第三，使用较小的真实标签集进一步微调初始训练的DL模型。我们发现，与基于DIR的分割相比，在使用伪标签训练并且没有影响者体积的CBCT上基于DL的直接分割显示出较差的性能。然而，在直接分割网络中添加变形的pCT轮廓作为影响体积显著提高了分割性能，达到了基于DIR的分割的准确度水平。具有影响者数量的DL模型可以通过使用较小的真实标签集进行微调来进一步改进。实验表明，19个结构中有7个结构与基于DIR的分割相比具有至少0.2的Dice相似系数增加。基于DL的直接CBCT分割模型可以通过使用变形的pCT轮…
2022-10-10 cs.CV physics.med-ph
Ultrafast Deep Learning-Based Scatter Estimation in Cone-Beam Computed Tomography
本研究提出通过下采样和优化网络分辨率，在保持精度的同时大幅降低CBCT散射估计的计算和内存需求，实现移动和边缘设备上的快速散射校正。
2025-09-10 cs.CV eess.SP
Reconstructing Quantitative Cerebral Perfusion Images Directly From Measured Sinogram Data Acquired Using C-arm Cone-Beam CT
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Southeast University（东南大学）；United Imaging Healthcare Limited Company（联影医疗科技股份有限公司）
针对C臂CBCT时间分辨率和采样密度不足导致定量脑灌注成像不准的问题，本文提出TRAINER技术，将时间分辨重建与灌注参数估计合并为单一联合优化问题，以受试者特定条件生成模型直接从实测正弦图数据重建定量灌注图像。
2024-12-25 cs.CV eess.IV physics.med-ph
