跳到正文
arXiv cs.CL· Sungho Yun, Seungryong Cho·· 10 小时前AI 评分31

几何桥流匹配实现头部锥束CT盲刚性运动校正

Geometry-bridge flow matching for blind rigid-motion correction in head cone-beam CT

AI 导读

一种3D流匹配先验方法通过几何桥连接同一源体积的运动受损与无运动FDK重建图像,利用前向投影的几何导数提供解析速度目标,实现头部锥束CT的盲刚性运动校正。在30例CQ500患者的模拟360视角扫描中,该方法平均PSNR达37.1 dB、探测器平面重投影误差0.27 mm,几何桥相比图像线性训练提升PSNR 1.6 dB并将RPE降低33%。在RTX A6000上每例平均处理时间9.1分钟。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:在头部锥束 CT(CBCT)扫描过程中,患者头部的刚性运动可能降低图像质量,并使从测量投影中恢复准确解剖结构变得复杂。我们提出一种 3D 流匹配先验方法,用于学习运动引起的图像变化。其几何桥通过逐步减少模拟运动,将同一源体数据中受运动污染和未受运动影响的 Feldkamp-Davis-Kress(FDK)重建图像连接起来。前向投影仪的几何导数沿该路径提供解析速度目标。一个即插即用循环将学习到的图像更新与基于样条的位姿估计、共轭梯度数据一致性和图像全变分正则化结合在一起。对细化后的图像体数据和估计位姿下的 FDK 重建图像体数据均进行了评估。在来自 30 名留出的 CQ500 患者的模拟 360 视角扫描中,各分量名义运动幅度在 10 mm / 10 度以内,与其他方法(如学习型自动聚焦和基于扩散的联合重建)相比,该框架实现了最先进的图像重建质量和运动精度。平均峰值信噪比(PSNR)达到 37.1 dB,平均探测器平面重投影误差(RPE)为 0.27 mm。在推理设置下端点匹配时,与图像线性训练相比,几何桥将 PSNR 提高了 1.6 dB,并将 RPE 降低了 33%。在 RTX A6000 上,进行 50 次先验更新和由粗到细的运动估计,每名患者的平均总处理时间为 9.1 分钟。
学科: 医学物理(physics.med-ph);计算与语言(cs.CL);计算机视觉与模式识别(cs.CV)
引用为: arXiv:2611.23788 [physics.med-ph]
  (或此版本的 arXiv:2611.23788v2 [physics.med-ph])
  https://doi.org/10.48550/arXiv.2611.23788

由 DataCite 颁发的 arXiv DOI

提交历史

来自:Sungho Yun 博士 [查看电子邮件]
[v1] 2026 年 11 月 18 日星期三 03:51:56 UTC(1,775 KB)
[v2] 2026 年 11 月 19 日星期四 05:08:07 UTC(1,775 KB)

来源:arXiv cs.CL · arxiv.org