arXiv:2609.28110v1 cs.CV

암시적 신경 표현 및 확산 모델 기반 정제를 통한 치과용 콘빔 CT의 시야각 확장

Field-of-View Extension in Dental Cone-Beam CT via Implicit Neural Representations and Diffusion Model-Based Refinement

Susanne Schaub, Florentin Bieder, Matheus L. Oliveira, Yulan Wang, Buyanbileg Sodnom-ish, Dorothea Dagassan-Berndt, Michael M. Bornstein, Philippe C. Cattin

제출 2026-09-24

한국어 초록

치과용 콘빔 전산화단층촬영(CBCT) 시스템은 종종 환자의 해부학적 구조 중 작은 부분만을 촬영하는 절단된 시야각(FOV)을 제공하는 디텍터 구성을 사용합니다. 본 연구에서는 절단된 FOV 스캔의 투영 데이터를 사용하여 확장된 FOV를 재구성하는 것을 목표로 합니다. 이를 위해 (1) 절단된 투영 데이터의 누락된 부분을 추정하기 위한 암시적 신경 표현(INR), (2) 향상된 해부학적 일관성을 갖춘 보조 볼륨 이미지를 생성하기 위한 반복적 재구성(iterative reconstruction), (3) 이미지 개선을 위한 빠른 확산 모델(diffusion model)로 구성된 3단계 프레임워크를 제안합니다. 제안된 접근 방식은 절단된 CBCT 이미징을 위한 통합 파이프라인 내에서 연속적 표현(continuous representation), 물리 기반 재구성 및 생성적 정제의 장점을 결합합니다. 실험 결과는 이 방법이 절단 아티팩트를 효과적으로 줄이고, 원래 FOV 너머로 확장되는 구조의 재구성을 개선하며, 향상된 품질의 이미지를 생성함을 입증합니다. 코드 데이터는 https://github.com/SusanneSchaub/CBCT-FOV-Extension 에서 공개되어 있습니다.

원문 초록

Dental cone-beam computed tomography (CBCT) systems often employ detector configurations that provide a truncated field of view (FOV) that only captures a small part of the patient's anatomy. In this work, we aim to reconstruct an extended FOV using projections of truncated FOV scans. To this end, we propose a three-stage framework that consists of (1) an implicit neural representation (INR) for estimating missing parts of the truncated projection data, (2) an iterative reconstruction for generating a secondary volumetric image with improved anatomical consistency and (3) a fast diffusion model for image enhancement. The proposed approach combines the strengths of continuous representations, physics-based reconstruction and generative refinement within a unified pipeline for truncated CBCT imaging. Experimental results demonstrate that the method effectively reduces truncation artifacts, improves the reconstruction of structures extending beyond the original FOV and produces images with enhanced quality. Our code is publicly available at https://github.com/SusanneSchaub/CBCT-FOV-Extension.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.28110v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.37605v2cs.CV공통 태그 Image Reconstruction, Medical Image Analysis, computed tomography ct

TomoTransformer: CT 재구성을 위한 파운데이션 모델을 향하여

TomoTransformer: Towards a Foundation Model for CT Reconstruction

지도 심층 학습(supervised deep learning)은 희소 뷰 단층 촬영 재구성(sparse-view tomographic reconstruction) 분야를 발전시켰습니다. 그러나 일반적으로 여과 역투영(FBP) 이미지나 사이노그램(sinogram)을 깨끗한 재구성 이미지로 매핑하는 기존 모델들은 분포 변화(distribution shift)에 취약합니다. 투영 횟수 및 각도, 검출기 해상도 또는 데이터 분포가 변경될 때마다 재학습이 필요하기 때문에, 실제 응용 분야에서의 배포는 여전히 제한적입니다. 이를 해결하기 위해 본 논문에서는 각 국소(local) 여과 투영을 개별 토큰으로 취급하고 셀프 어텐션(self-attention)을 통해 누락된 뷰를 예측하는 트랜스포머 기반 아키텍처인 TomoTransformer를 소개합니다. 결정적으로, TomoTransformer는 공간적 위치 전반에 걸쳐 투영을 분리하는 역투영 공간(back-projection space)에서 작동하므로, 뷰 보간이 기하학적으로 적절한 조건(well-posed)을 갖추고 검출기 크기에 불변하도록 만듭니다. 이러한 설계를 통해 재학습 없이도 임의의 각도 위치 및 검출기 크기에서 임의의 개수의 입력 투영을 처리하고, 임의의 개수의 목표 각도를 쿼리할 수 있는 단일 파운데이션 모델이 구현됩니다. 다양한 의료 CT 해부학적 구조와 자연 이미지를 포괄하는 대규모 데이터셋으로 학습된 TomoTransformer는 여러 해부학적 구조, 재료 및 해상도 전반에 걸쳐 효과적으로 일반화됩니다. 여러 벤치마크 희소 뷰 데이터셋에 대한 광범위한 평가 결과에 따르면, TomoTransformer는 ViewTrans와 같은 동시대의 다목적 모델을 크게 능가하며, 입력 및 목표 투영 수에 완전히 구애받지 않으면서도 강력한 특정 프로토콜 전용 베이스라인과 대등하거나 이를 능가하는 성능을 보입니다. 나아가 이 모델은 X선 방사광 가속기에서 수집된 실제 실험 나노스케일 뇌 데이터에서 강력한 제로샷(zero-shot) 일반화를 입증하여 실제 응용 분야에서의 실용성을 보여줍니다.

arXiv:2610.01512v1cs.CV공통 태그 Image Reconstruction, Medical Image Analysis, computed tomography ct

VoxelSynth3D: 쌍을 이룬 합성 CLINIC-Metal 벤치마크를 활용한 해석 가능한 3차원 영상 도메인 금속 아티팩트 저감 기법

VoxelSynth3D: Interpretable Volumetric Image-Domain Metal Artifact Reduction with a Paired Synthetic CLINIC-Metal Benchmark

수술 후 근골격계 CT에서 발생하는 금속 아티팩트는 뼈-임플란트 및 인접한 연조직 경계면을 가립니다. 많은 금속 아티팩트 저감(MAR) 방식은 획득하기 어려운 원시 투영 데이터(raw projection)를 필요로 하거나, 스캐너 및 임플란트 종류에 따라 성능 변화(shift)가 발생할 수 있는 학습(training) 기반 모델을 사용합니다. 본 논문에서는 재구성된 CT를 위한 학습 불필요(training-free) 3차원 영상 도메인 프레임워크인 VoxelSynth3D를 제시합니다. 이 프레임워크는 지지 마스킹(support masking), 정규화된 조직 합성, 편차 게이팅(deviation gating), 제한적 에지 정제를 결합합니다. 탐지된 임플란트 복셀(voxel)은 출력에서 그대로 보존되는 반면, 보정은 주변 조직의 금속 유발 아티팩트를 대상으로 수행됩니다. 또한 우리는 깨끗한 타깃, 금속/아티팩트 마스크, 고정된 시드, 환자 수준의 분할을 갖춘 금속 없는 CTPelvic1K 볼륨으로부터 통제된 쌍을 이룬 합성 평가 리소스인 Synthetic CLINIC-Metal을 구축하였으며, 75개의 쌍을 이루지 않은 실제 금속 케이스는 정성적/무참조(no-reference) 평가만 거칩니다. 동작 지점은 거의 평탄한 검증(validation) 영역 내에서 고정되었습니다. 정확한 마스크 오라클 위치 지정을 통해 모든 방법은 금속이 제외된 조직 ROI를 공유합니다. 40개의 홀드아웃(held-out) 케이스에서 VoxelSynth3D는 RMSE를 801.48 HU에서 786.18 HU로 감소시켰으며(쌍체 이득 15.30 HU, 95% CI 11.68-19.23), 모든 케이스에서 성능을 개선하여 평가된 3D 가우시안 평활기보다 13.58 HU 더 뛰어난 성능을 보였습니다. 깨끗한 에지 일치도는 금속 바로 인접부에서는 감소했으나 5 mm를 벗어난 영역에서는 입력을 상회했습니다. 따라서 VoxelSynth3D는 국소적 구조적 트레이드오프를 수반하면서도 케이스 전반에 걸쳐 일관된 분포 내 조직 오차 감소를 제공합니다. 간격 인지 민감도 분석은 종합적인 광역 개선을 유지하면서 금속 근접 캘리브레이션을 개선 목표로 식별했습니다.

arXiv:2609.27848v1cs.CV공통 태그 Image Reconstruction, Medical Image Analysis, computed tomography ct

전신 감쇠 보정을 위한 기하학 앵커 기반 PET 인식 멀티모달 의사 CT 합성: BIC-MAC 챌린지

Geometry-anchored PET-aware multimodal pseudo-CT synthesis for whole-body attenuation correction: the BIC-MAC Challenge

BIC-MAC 챌린지는 CT 없는 PET 감쇠 보정(attenuation correction)을 위해 NAC-PET, Dixon MRI, 2D 토포그램(topogram)으로부터 전신 의사 CT(pseudo-CT)를 합성하는 것을 목표로 합니다. 본 논문에서는 NAC-PET를 공간적 기준(spatial reference)으로 사용하고 게이트 잔차 융합(gated residual fusion)을 통해 토포그램 및 MRI 특징을 통합하는 기하학 앵커 기반 멀티모달 프레임워크인 GeoPACT를 제안합니다. 절대 좌표와 전신 조건화(whole-body conditioning)는 해부학적으로 일관된 패치 기반 예측을 지원합니다. 학습(training)은 다운스트림 PET 재구성 관련 오차를 줄이기 위해 감쇠 맵 지도(attenuation-map supervision)와 미분 가능한 PET 반응 대리 모델(PET-response surrogate)을 결합합니다. 테스트 시점에서는 CT나 PET 레이블 없이도 슬라이딩 윈도우 추론(inference)을 사용하여 전체 해상도 의사 CT 볼륨을 생성합니다.

arXiv:2609.22849v1cs.CV공통 태그 Image Reconstruction, Medical Image Analysis, computed tomography ct

LINGO: 3D Gaussian Splatting을 활용한 희소 각도 X-ray 신규 시점 합성 및 CT 재구성을 위한 잠재 초기화와 그래디언트 최적화

LINGO: Latent Initialization and Gradient Optimization for Sparse-view X-ray Novel View Synthesis and CT Reconstruction with 3D Gaussian Splatting

신규 시점 합성(novel view synthesis) 및 희소 각도(sparse-view) X-ray 영상 기반 컴퓨티드 단층 촬영(Computed Tomography, CT) 재구성에서는 각도 커버리지가 부족하면 구조적 모호성과 누적 노이즈가 발생한다. 3D Gaussian Splatting(3DGS)을 X-ray 흡수 물리와 결합하면 유망한 결과를 얻을 수 있으나, 노이즈가 많은 초기화, 위치 민감도 부족, 저밀도 영역에서의 약한 그래디언트 문제가 있다. 본 논문에서는 이를 해결하기 위해 잠재 초기화 및 그래디언트 최적화(Latent Initialization and Gradient Optimization, LINGO) 통합 프레임워크를 제안한다. LINGO는 잠재 마스크 공간 초기화와 동적 그래디언트 최적화를 결합해 포인트 클라우드의 구조적 완전성을 높이면서 학습을 가속한다. X-ray 마스크로부터 voxel 수준 3D 필터를 구성해 배경 노이즈를 견고하게 억제하고 신뢰할 수 있는 기하학적 prior를 제공한다. 적응형 voxel 스케일링 전략과 동적 손실 스케일링을 통해 공간 해상도를 조절하고 저밀도 구조에서 그래디언트를 명시적으로 증폭한다. 초기화 품질 평가를 위해 Initialization Point Cloud Structural Deviation(IPSD) 지표를 도입한다. X3D 데이터셋 실험에서 신규 시점 합성 과제는 동일한 희소 각도 설정에서 baseline 대비 평균 PSNR(Peak Signal-to-Noise Ratio) 0.72, SSIM(Structural Similarity Index) 0.0039를 각각 개선했으며, 보통 30k 반복으로 학습되는 최신(state-of-the-art) 모델과 유사한 재구성 품질을 5k step 내에 달성했다. CT 재구성 과제에서도 평균 PSNR·SSIM이 각각 0.36, 0.0134만큼 향상되는 등 일관된 개선을 보였다. 이는 다양한 희소 각도 영상 시나리오에서 학습 가속과 재구성 품질 향상 모두에 LINGO가 효과적임을 보여준다.

arXiv:2607.14415v2cs.CV공통 태그 Image Reconstruction, Medical Image Analysis, computed tomography ct

$K$-NeAS: Neural SDF 기반 확장 가능한 다중 재료 CT 재구성

$K$-NeAS: Scalable Multi-Material CT Reconstruction Using Neural SDFs

컴퓨터 단층촬영(CT)은 상당한 전리 방사선 위험을 수반하므로, 희소 시점(sparse-view) 재구성의 필요성이 대두되고 있다. 암시적 장면 표현(ISR)은 희소 투영으로부터 연속적인 볼류메트릭 감쇠 필드를 직접 복원함으로써 이를 해결하며, 최근의 기하 인식(geometry-aware) 확장은 감쇠와 함께 표면 기하를 공동으로 모델링하여 충실도를 개선하고 수동 임계값 설정 없이 깨끗한 조직 분할을 가능하게 한다. 그러나 이러한 방법들은 수동으로 조정된 감쇠 경계와 경직된 이중 재료 제약에 의해 여전히 제한된다. 본 논문은 자동화된 다중 재료 표면 재구성을 위한 통합적이고 확장 가능한 아키텍처인 $K$-NeAS를 제안한다. 우리는 독립적인 재료 네트워크를 공유 잠재 백본으로 대체하고, 임의의 수의 겹치는 조직을 모델링하기 위해 완전 미분 가능한 $K$-재료 순차 소프트 셀렉터를 도입한다. 수동 조정을 제거하기 위해, 가우시안 혼합 모델(GMM)을 이용해 감쇠 경계 설정을 자동화하고, 극단적 희소성 하에서 흔한 기하학적 환각을 완화하기 위해 스케줄된 보조 floater 손실을 구현한다. 네 개의 임상용 원뿔빔 CT(CBCT) 데이터셋에 대해 평가한 결과, $K$-NeAS는 임의의 재료 수로 성공적으로 확장되며, 복부(Abdomen)와 같은 복잡한 다조직 영역에서 $K=3$ 재료일 때 우수한 3D 볼류메트릭 충실도를 달성한다($33.28\text{ dB}$ 3D PSNR vs. $31.40\text{ dB}$ 단일 재료 NeAS 기준선, $+1.88\text{ dB}$ 향상). 또한 본 모델은 희소 샘플링 조건에서 향상된 견고성을 보이며, 5- 및 10-뷰 제약 하에서 기준선 3D PSNR을 최대 $1.17\text{ dB}$까지 능가한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.