論文の概要: Texture-preserving implicit neural representation for Cone beam CT truncated reconstruction

• arxiv url: http://arxiv.org/abs/2606.06039v1
• Date: Thu, 04 Jun 2026 11:33:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.755324
• Title: Texture-preserving implicit neural representation for Cone beam CT truncated reconstruction
• Title（参考訳）: Cone beam truncated reconstruction におけるテクスチャー保存型暗黙的神経表現
• Authors: Genyuan Zhang, Junyao Wang, Haoran Lan, Chuandong Tan, Songtao Zhu, Fenglin Liu,
• Abstract要約: コーンビームCT (CBCT) は, 重篤なアーティファクトを伴い, しばしばデータ切り離しに悩まされる。 既存のTruncatedCBCT再建のための深層学習法は、深刻な限界に悩まされている。 ニューラルシーン表現に基づく自己教師型3次元再構成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.587045623341888
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cone-beam computed tomography (CBCT) frequently suffers from data truncation, which introduces severe artifacts and limits the effective field of view (FOV). Existing deep learning methods for truncated cone-beam computed tomography (CBCT) reconstruction suffer from serious limitations, including a strict reliance on supervised ground truth and a failure to account for continuous 3D spatial truncation variations. To address these challenges, we introduce a self-supervised 3D reconstruction framework based on neural scene representations. By directly mapping spatial coordinates to radiodensity under projection supervision, our approach inherently bypasses traditional filtering and backprojection operations, thereby fundamentally eliminating truncation-induced ring artifacts while enabling robust continuous 3D data extrapolation. However, coordinate networks are susceptible to an inherent spectral bias, which leads to a severe loss of clinically vital high-frequency textures. To resolve this bottleneck, we further incorporate a physics-based iterative refinement module into the neural scene representation architecture. Leveraging the artifact-free, extrapolated volume from the coordinate network as an optimal initialization, this module progressively re-extracts and injects high-frequency structural information from the original projections back into the volume. Extensive experiments on both simulated and real-world datasets demonstrate that our method successfully unifies the exceptional artifact suppression and extrapolation capabilities of neural networks with the high-fidelity detail preservation of iterative algorithms.
• Abstract（参考訳）: コーンビーム・コンピュート・トモグラフィー(CBCT)は、しばしばデータトランケーションに悩まされ、深刻なアーティファクトを導入し、有効視野を制限する。 既存の CBCT (Truncated cone-beam Computed Tomography) 再構成のための深層学習法は, 教師付き地下真実への厳密な依存や, 連続した3次元空間的切り離しの変化を考慮できないことなど, 深刻な制約を負っている。 これらの課題に対処するために,ニューラルシーン表現に基づく自己教師型3D再構成フレームワークを導入する。 空間座標を投影監督下の放射密度に直接マッピングすることにより、従来のフィルタリングやバックプロジェクション操作を本質的に回避し、堅牢な連続した3次元データ外挿を実現しつつ、トランケーションによって引き起こされるリングアーティファクトを根本的に排除する。 しかし、座標ネットワークは固有のスペクトルバイアスの影響を受けやすいため、臨床的に重要な高周波テクスチャが著しく失われる。 このボトルネックを解決するために、我々はさらに物理に基づく反復的改良モジュールをニューラルシーン表現アーキテクチャに組み込む。 最適初期化として座標ネットワークからアーチファクトフリーで外挿された体積を利用して、このモジュールは徐々に再抽出し、元の射影から体積に高周波構造情報を注入する。 シミュレーションと実世界の両方のデータセットに対する大規模な実験により、ニューラルネットワークの例外的なアーチファクトの抑制と外挿能力を、反復アルゴリズムの高忠実度詳細保存で統一することに成功した。

関連論文リスト

• Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
  深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。 本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-13T08:31:46Z)
• Iterative Diffusion-Refined Neural Attenuation Fields for Multi-Source Stationary CT Reconstruction: NAF Meets Diffusion Model [20.480681036392173]
  高速な画像再構成を実現するために, マルチソース・静止CT (CT) が注目されている。 超スパースビュー条件下でのマルチソース静止CTに適した反復的フレームワークであるDiff-NAF(Diffusion-Refined Neural Attenuation Fields)を提案する。
  論文  参考訳（メタデータ） (2025-11-18T10:14:28Z)
• Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
  Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。 Intern-GSは多様なデータセットにまたがって最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2025-05-27T05:17:49Z)
• Under-Sampled High-Dimensional Data Recovery via Symbiotic Multi-Prior Tensor Reconstruction [10.666965599523754]
  本研究は,データ固有の構造を利用するために,複数の先行情報を統合したテンソル再構成手法を提案する。 具体的には、再構成されたデータの低ランクな制約を強制するために学習可能な分解と、平滑化と復調のための事前訓練された畳み込みニューラルネットワークと、ブロックマッチングと3Dフィルタリング正規化を組み合わせる。 カラー画像、ハイパースペクトル画像、グレースケールビデオデータセットの実験は、極端な場合において、我々の手法の優位性を実証している。
  論文  参考訳（メタデータ） (2025-04-08T12:55:18Z)
• SparseFlex: High-Resolution and Arbitrary-Topology 3D Shape Modeling [79.56581753856452]
  SparseFlexは、新しいスパース構造のアイソサーフェス表現で、レンダリング損失から最大10243ドルの解像度で、差別化可能なメッシュ再構築を可能にする。 SparseFlexは、高解像度で差別化可能なメッシュ再構成とレンダリングロスによる生成を可能にすることで、3D形状の表現とモデリングの最先端性を著しく向上させる。
  論文  参考訳（メタデータ） (2025-03-27T17:46:42Z)
• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• Learning 3D Gaussians for Extremely Sparse-View Cone-Beam CT Reconstruction [9.848266253196307]
  Cone-Beam Computed Tomography (CBCT) は医用画像の撮影に欠かせない手法であるが、放射線照射が臨床応用に懸念をもたらす。 本稿では,3次元ガウス空間における特徴分布を表現するために3次元ガウス空間を利用する新しい再構成フレームワーク,DIF-Gaussianを提案する。 2つの公開データセット上でDIF-Gaussianを評価し,従来の最先端手法よりもはるかに優れた再構成性能を示した。
  論文  参考訳（メタデータ） (2024-07-01T08:48:04Z)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• Robust Geometry-Preserving Depth Estimation Using Differentiable Rendering [93.94371335579321]
  我々は、余分なデータやアノテーションを必要とせずに、幾何学保存深度を予測するためにモデルを訓練する学習フレームワークを提案する。 包括的な実験は、我々のフレームワークの優れた一般化能力を強調します。 我々の革新的な損失関数は、ドメイン固有のスケール・アンド・シフト係数を自律的に復元するモデルを可能にします。
  論文  参考訳（メタデータ） (2023-09-18T12:36:39Z)
• A Deep Learning Approach for SAR Tomographic Imaging of Forested Areas [10.477070348391079]
  我々は,1つのフィードフォワードパスでトモグラフィインバージョンを実行するために,軽量ニューラルネットワークをトレーニング可能であることを示す。 我々は、シミュレーションデータを用いてエンコーダ・デコーダネットワークを訓練し、実LバンドとPバンドのデータに基づいてその手法を検証する。
  論文  参考訳（メタデータ） (2023-01-20T14:34:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。