[論文レビュー] Continuity-driven Synergistic Diffusion with Neural Priors for Ultra-Sparse-View CBCT Reconstruction

Junlin Wang, Jiancheng Fang+3 more|arXiv (Cornell University)|Feb 8, 2026

Medical Imaging Techniques and Applications被引用数 0

ひとこと要約

連続性駆動拡散フレームワークとニューラル priors（CSDN）を導入し、超まばらな角度ビューから高品質CBCTを再構成する。サイノグラムとスライス間の一貫性を協調的に refine し、その後、整合的な3D体積再構成のための適応融合を行う。

ABSTRACT

The clinical application of cone-beam computed tomography (CBCT) is constrained by the inherent trade-off between radiation exposure and image quality. Ultra-sparse angular sampling, employed to reduce dose, introduces severe undersampling artifacts and inter-slice inconsistencies, compromising diagnostic reliability. Existing reconstruction methods often struggle to balance angular continuity with spatial detail fidelity. To address these challenges, we propose a Continuity-driven Synergistic Diffusion with Neural priors (CSDN) for ultra-sparse-view CBCT reconstruction. Neural priors are introduced as a structural foundation to encode a continuous threedimensional attenuation representation, enabling the synthesis of physically consistent dense projections from ultra-sparse measurements. Building upon this neural-prior-based initialization, a synergistic diffusion strategy is developed, consisting of two collaborative refinement paths: a Sinogram Refinement Diffusion (Sino-RD) process that restores angular continuity and a Digital Radiography Refinement Diffusion (DR-RD) process that enforces inter-slice consistency from the projection image perspective. The outputs of the two diffusion paths are adaptively fused by the Dual-Projection Reconstruction Fusion (DPRF) module to achieve coherent volumetric reconstruction. Extensive experiments demonstrate that the proposed CSDN effectively suppresses artifacts and recovers fine textures under ultra-sparse-view conditions, outperforming existing state-of-the-art techniques.

研究の動機と目的

• 高い診断画像品質を維持しつつ、放射線量を低減できる超まばらなビューのCBCT再構成を動機づける。
• 超まばらなデータから密な投影合成のために連続的な3D減衰表現をエンコードするためにニューラル priors を組み込む。
• 角度連続性とスライス間の一貫性を強化するデュアル拡散リファインメントフレームワークを開発する。

提案手法

• ニューラル priors を用いて超まばらな測定値から密な投影を合成する連続的な3D減衰表現を確立する。
• Sinogram Refinement Diffusion (Sino-RD) を開発し、投影データの角度連続性を回復する。
• Digital Radiography Refinement Diffusion (DR-RD) を開発し、投影画像からスライス間の一貫性を強制する。
• Dual-Projection Reconstruction Fusion (DPRF) を導入し、Sino-RD と DR-RD の出力を適応的に融合して整合的な体積再構成を実現する。
• このアプローチは、超まばらビュー条件下で再構成体積を反復的に改善する拡散ベースのリファインメント・パイプラインに基づく。

実験結果

リサーチクエスチョン

• RQ1 ニューラル priors は、超まばらなCBCT測定値から密な投影を合成するための、堅牢な連続的な3D減衰表現を提供できるか。
• RQ2 デュアル拡散リファインメント戦略は、角度連続性とスライス間の一貫性を同時に回復し、超まばらビューCBCT再構成を改善できるか。
• RQ3 Sino-RD と DR-RD の出力を適応的に融合することで、単一路線のリファインメントよりも整合的な3D再構成を得られるか。
• RQ4 提案手法は、アーチファクト抑制とテクスチャ保持の点で、最先端の超まばらビューCBCT再構成技術と比較してどの程度性能を発揮するか。

主な発見

• 提案された CSDN 法は、超まばらビュー条件下でアーチファクトを効果的に抑制する。
• ニューラル priors は sparse 測定から物理的に一貫した密な投影の合成を可能にする。
• 協調的な二つの拡散経路（Sino-RD と DR-RD）は、それぞれ角度連続性とスライス間の一貫性を回復する。
• DPRF モジュールによる適応的融合は、二つのリファインメント経路を組み合わせることで整合的な体積再構成を生み出す。