qq_45801839的博客

计算机断层扫描(CT)可以提供患者内部器官的3D视图，有助于疾病诊断，但它对患者的辐射剂量更大，而且CT扫描仪比x光机更昂贵。传统的CT重建方法需要通过对身体的全面旋转扫描进行数百次x射线投影，这在典型的x光机上无法完成。在这项工作中，我们建议使用生成对抗网络(GAN)框架从两个正交x射线重建CT。利用一种特殊设计的发生器网络，将数据维数从2D (x -ray)提高到3D (CT)，这是以往GAN研究中没有解决的问题。提出了一种新的特征融合方法，将两个x射线信息进行融合。

 计算机断层扫描（CT）是一种有效的医学成像方式，广泛应用于临床医学领域，用于各种病理的诊断。多探测器CT成像技术的进步实现了额外的功能，包括生成薄层多平面横截面身体成像和3D重建。然而，这涉及患者暴露于相当剂量的电离辐射。过量的电离辐射会对身体产生决定性的有害影响。本文提出了一种深度学习模型，该模型学习从少数甚至单个视图X射线重建CT投影。这是基于一种基于神经辐射场构建的新架构，该架构通过从2D图像中解开表面和内部解剖结构的形状和体积深度来学习CT扫描的连续表示。我们的模型是在胸部和膝盖数据集上训练的，我

传统的计算机断层扫描（CT）通过使用不同角度的X射线投影计算逆氡变换来生成体积图像，这导致高剂量辐射、长重建时间和伪影。生物学上，可以利用先前的知识或经验在一定程度上从2D图像中识别体积信息。提出了一种深度学习网络XctNet，以从2D像素中获得该先验知识并生成体积数据。在所提出的框架中，自注意机制用于特征自适应优化；采用多尺度特征融合进一步提高重建精度；提出了一种3D分支生成模块来生成不同生成字段的细节。