DeepSparse: A Foundation Model for Sparse-View CBCT Reconstruction

要約

コーンビームCT（CBCT）は、医療分野において重要な3次元画像技術であるが、高画質撮影に必要な高い放射線被曝は、特に脆弱な人々にとって重大な懸念となっている。スパースビュー再構成は、画質を維持しながらX線投影回数を減らすことで被曝を低減するが、既存の手法は、高い計算負荷や異なるデータセットへの汎用性の低さなどの課題に直面している。これらの限界を克服するために、我々は、DiCE（Dual-Dimensional Cross-Scale Embedding）を特徴とする、スパースビューCBCT再構成のための最初の基礎モデルであるDeepSparseを提案する。DiCEは、マルチビュー2D特徴とマルチスケール3D特徴を統合する新しいネットワークである。さらに、HyViP（Hybrid View Sampling Pretraining）フレームワークを導入し、スパースビューとデンスビューの両方の投影による大規模なデータセットでモデルを事前学習する。広範な実験とアブレーション研究により、我々の提案するDeepSparseが、最新の手法と比較して優れた再構成品質を達成し、より安全で効率的なCBCTイメージングへの道を開くことが実証された。

要約(オリジナル)

Cone-beam computed tomography (CBCT) is a critical 3D imaging technology in the medical field, while the high radiation exposure required for high-quality imaging raises significant concerns, particularly for vulnerable populations. Sparse-view reconstruction reduces radiation by using fewer X-ray projections while maintaining image quality, yet existing methods face challenges such as high computational demands and poor generalizability to different datasets. To overcome these limitations, we propose DeepSparse, the first foundation model for sparse-view CBCT reconstruction, featuring DiCE (Dual-Dimensional Cross-Scale Embedding), a novel network that integrates multi-view 2D features and multi-scale 3D features. Additionally, we introduce the HyViP (Hybrid View Sampling Pretraining) framework, which pretrains the model on large datasets with both sparse-view and dense-view projections, and a two-step finetuning strategy to adapt and refine the model for new datasets. Extensive experiments and ablation studies demonstrate that our proposed DeepSparse achieves superior reconstruction quality compared to state-of-the-art methods, paving the way for safer and more efficient CBCT imaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL