論文の概要: Learning Where and What to Lift for Bi-planar X-ray-to-CT Reconstruction
- arxiv url: http://arxiv.org/abs/2608.17255v1
- Date: Tue, 18 Aug 2026 01:23:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.178499
- Title: Learning Where and What to Lift for Bi-planar X-ray-to-CT Reconstruction
- Title（参考訳）: 平面X線-CT画像再構成における手技と手技の学習
- Abstract要約: 少数のX線画像からCTボリュームを再構成することは、非常に不適切である。
我々は,空間的レイアウト復元をCT再構成に明示的に組み込んだインターリーブな幾何学誘導型フレームワークLiftXRを提案する。
LiftXR は最近の X-ray-to-CT 再構成法を一貫して上回り、新しい最先端技術を確立している。
- 参考スコア（独自算出の注目度）: 25.938115587172945
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: X-ray imaging can be approximately modeled as the projection of an underlying volumetric attenuation field, with each measurement recording the accumulated attenuation along a corresponding ray path. Reconstructing a CT volume from only a few X-ray views is therefore severely ill-posed, as the projections collapse depth information and leave 3D locations of anatomical regions and their corresponding intensity distributions highly entangled and ambiguous. We observe that once the spatial organization of anatomical regions is established, estimating their CT intensities becomes substantially more tractable. Motivated by this, we propose LiftXR, an interleaved, geometry-guided framework that explicitly incorporates spatial layout recovery into CT reconstruction. Specifically, a layout lifter first generates a 3D anatomical layout from bi-planar X-rays, providing spatial guidance for an intensity renderer to reconstruct a CT volume. An anatomical parser then performs volumetric perception on the reconstruction, exploiting its spatially resolved boundary and intensity cues to recover a refined anatomical layout. This transition from projection-conditioned layout generation to reconstruction-conditioned anatomical perception allows the parsed layout to provide feedback for region-specific intensity calibration. Extensive experiments on two public datasets demonstrate that LiftXR consistently outperforms recent X-ray-to-CT reconstruction methods, establishing a new state of the art. Moreover, the reconstructed CT achieves superior performance in external downstream segmentation, indicating improved anatomical fidelity. Code will be released.
- Abstract（参考訳）: X線イメージングは、基礎となる体積減衰場の投影として概ねモデル化でき、各測定は対応する光路に沿って蓄積された減衰を記録する。
解剖学的領域の3D位置とそれに対応する強度分布を高度に絡み合って曖昧にするため、CTボリュームを少数のX線画像から再構成することは極めて不適切である。
解剖学的領域の空間的構造が確立すれば,CTの強度を推定しやすくする。
そこで我々は,空間的レイアウト復元をCT再構成に明示的に組み込んだインターリーブな幾何学誘導型フレームワークLiftXRを提案する。
具体的には、レイアウトリフタは、まず2平面X線から3次元解剖学的レイアウトを生成し、インテンシティレンダラーがCTボリュームを再構成するための空間的ガイダンスを提供する。
解剖学的解析器は、空間的に解決された境界線と強度の手がかりを利用して、復元された解剖学的レイアウトを復元する。
プロジェクション条件によるレイアウト生成から再構成条件による解剖学的知覚への移行により、解析されたレイアウトは、領域固有の強度校正に対するフィードバックを提供することができる。
2つの公開データセットに対する大規模な実験により、LiftXRは最近のX線からCTへの再構成手法を一貫して上回っており、新しい最先端技術を確立している。
さらに, 再建CTでは, 解剖学的忠実度が向上し, 下流セグメンテーションの成績が良好であった。
コードはリリースされる。
関連論文リスト
- Towards Voxel Spacing Consistency for Medical Image Segmentation [56.992050146446495]
画像再サンプリングとセグメンテーションの相関について検討し,意味認識型再サンプリングフレームワークであるConsispaceを提案する。
コンシスペースは、解剖学的および意味的一貫性を維持しながら、軸方向における一貫したボクセル間隔を達成する。
論文 参考訳（メタデータ） (2026-06-30T15:42:23Z) - Preoperative-to-intraoperative Liver Registration for Laparoscopic Surgery via Latent-Grounded Correspondence Constraints [51.7011449975586]
Land-Regは変形可能な登録フレームワークで、潜伏した2D-3Dのランドマーク対応を学習する。
厳格な登録のために、Land-Regはクロスモーダルラテントアライメントモジュールを採用している。
類似性マッチングを持つ不確実なオーバーラップランドマーク検出器を提案し, 明確な2D-3Dランドマーク対応を強く推定する。
論文 参考訳（メタデータ） (2026-03-02T10:44:03Z) - SPIDER: Structure-Preferential Implicit Deep Network for Biplanar X-ray Reconstruction [30.432335038130866]
SPIDERは、バイプレーンX線画像からCTボリュームを再構成するための教師付きフレームワークである。
解剖学的制約を再構築プロセスに組み込み、構造的連続性を高め、軟質の人工物を減らす。
提案手法は,ダウンストリームセグメンテーションタスクにおける強力な可能性を示し,パーソナライズされた治療計画と画像誘導型手術ナビゲーションにおけるその有用性を裏付けるものである。
論文 参考訳（メタデータ） (2025-07-07T06:06:28Z) - Are Pixel-Wise Metrics Reliable for Sparse-View Computed Tomography Reconstruction? [61.48804987263701]
解剖学的構造全体にわたる構造的完全性を評価するために,解剖学的評価尺度の組を提案する。
CAREは、重要な構造物の解剖学的保存を促進するために、訓練中に構造的罰則を取り入れている。
CAREはCT再建における構造的完全性を大幅に改善し、大臓器では+32%、小臓器では+22%、小腸では+40%、血管では+36%となる。
論文 参考訳（メタデータ） (2025-06-02T17:07:10Z) - X-GRM: Large Gaussian Reconstruction Model for Sparse-view X-rays to Computed Tomography [89.84588038174721]
Computed Tomographyは臨床において必須のツールであり、内部解剖学的構造を非侵襲的に可視化する。
既存のCT再構成作業は、小さなキャパシティモデルアーキテクチャと非フレキシブルボリューム表現に限られている。
スパースビュー2次元X線プロジェクションから3次元CTボリュームを再構成する大規模なフィードフォワードモデルであるX-GRMを提案する。
論文 参考訳（メタデータ） (2025-05-21T08:14:10Z) - 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) - CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。
暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。
SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
論文 参考訳（メタデータ） (2024-06-21T08:38:30Z) - C^2RV: Cross-Regional and Cross-View Learning for Sparse-View CBCT Reconstruction [17.54830070112685]
コーンビームCT(CBCT)は医療現場で広く用いられている画像技術である。
コーン状X線による測定により, CBCTの復元が困難になる。
本稿では,3次元空間におけるクロスリージョン学習を実現するために,明示的なマルチスケールボリューム表現を活用してC2RVを提案する。
論文 参考訳（メタデータ） (2024-06-06T09:37:56Z) - Two-View Topogram-Based Anatomy-Guided CT Reconstruction for Prospective
Risk Minimization [6.143855587452395]
GAN(Generative Adversarial Network)に基づくCT再構成モデルを提案する。
GANは3Dボリュームを前方と外側のCTプロジェクションから再構成するように訓練されている。
提案手法は,PSNRが26.49,RMSEが196.17,SSIMが0.64,SSIMが26.21,201.55,0.63でCTボリュームを再構成できる。
論文 参考訳（メタデータ） (2024-01-23T12:53:37Z) - Perspective Projection-Based 3D CT Reconstruction from Biplanar X-rays [32.98966469644061]
我々は,X線を用いた新しいCT再構成フレームワークPerX2CTを提案する。
提案手法は,各座標に対して異なる特徴の組み合わせを提供し,モデルが3次元位置に関する情報を暗黙的に取得できるようにする。
論文 参考訳（メタデータ） (2023-03-09T14:45:25Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z)
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。