C^2RV: Cross-Regional and Cross-View Learning for Sparse-View CBCT Reconstruction

锥束计算机断层扫描（CBCT）是一种重要的成像技术，广泛应用于医学场景，如诊断和术前规划。使用较少的投影视图来重建CT，也称为稀疏视图重建，可以减少电离辐射并进一步有益于介入放射学。与传统平行/扇形束CT的稀疏视图重建相比，由于基于锥形X射线束的测量过程引起的维度增加，CBCT重建更具挑战性。作为一个二维到三维的重建问题，虽然隐式神经表示已被引入以实现高效训练，但先前的工作仅考虑了局部特征，并且不同视图被同等处理，导致空间不一致和在复杂解剖上表现不佳。为此，我们提出了C^2RV，利用显式的多尺度体积表示在三维空间中实现跨区域学习。此外，引入了尺度-视图交叉注意模块，以自适应地聚合多尺度和多视图特征。广泛的实验表明，我们的C^2RV在具有不同解剖结构的数据集上实现了一致且显着的改进，超越了先前的最新方法。

本文旨在解决锥束计算机断层扫描（CBCT）重建中的稀疏视图问题，提高重建效率和减少辐射剂量。

本文提出了C^2RV方法，利用显式的多尺度体积表示实现跨区域学习，并引入了尺度-视图交叉注意力模块，适应性地聚合多尺度和多视图特征。

实验结果表明，C^2RV相比于之前的方法在具有复杂解剖结构的数据集上表现出显著的改进。本文使用了公开数据集，并提供了开源代码。

最近相关的研究包括：'Deep learning-based CBCT reconstruction using projection and image domain information with uncertainty estimation'，'Low-dose CT via convolutional neural network'等。