Differentiable Gaussian Representation for Incomplete CT Reconstruction

要約

不完全なコンピュータ断層撮影 (CT) は、放射線被ばくを軽減することで患者に利益をもたらします。
ただし、問題の性質が不適切であるため、限られたビューまたは角度から高忠実度の画像を再構成することは依然として困難です。
深層学習再構成 (DLR) 手法は画質向上に有望であることが示されていますが、トレーニング データの多様性と高い汎化能力の間のパラドックスは未解決のままです。
この論文では、ニューラル ネットワークや全線量 CT データを使用しない、不完全 CT 再構成 (GRCT) のための新しいガウス表現を提案します。
具体的には、不完全なサイノグラムから直接最適化された学習可能なガウス分布のセットとして 3D ボリュームをモデル化します。
私たちの方法は、アーキテクチャを変更することなく、複数のビューや角度に適用できます。
さらに、効率的な臨床使用のために、微分可能な高速 CT 再構成法を提案します。
複数のデータセットと設定に関する広範な実験により、再構成の品質指標と高い効率が大幅に向上していることが実証されました。
私たちはコードをオープンソースとしてリリースする予定です。

要約(オリジナル)

Incomplete Computed Tomography (CT) benefits patients by reducing radiation exposure. However, reconstructing high-fidelity images from limited views or angles remains challenging due to the ill-posed nature of the problem. Deep Learning Reconstruction (DLR) methods have shown promise in enhancing image quality, but the paradox between training data diversity and high generalization ability remains unsolved. In this paper, we propose a novel Gaussian Representation for Incomplete CT Reconstruction (GRCT) without the usage of any neural networks or full-dose CT data. Specifically, we model the 3D volume as a set of learnable Gaussians, which are optimized directly from the incomplete sinogram. Our method can be applied to multiple views and angles without changing the architecture. Additionally, we propose a differentiable Fast CT Reconstruction method for efficient clinical usage. Extensive experiments on multiple datasets and settings demonstrate significant improvements in reconstruction quality metrics and high efficiency. We plan to release our code as open-source.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google