[论文解读] 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 0

一句话总结

引入一个连续性驱动的扩散框架，结合神经先验（CSDN），通过协同细化正投影数据（sinograms）和跨层一致性，实现极少角度视图的高质量 CBCT 重构，随后进行自适应融合以获得一致的三维体积重建。

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.

研究动机与目标

• 在降低辐射剂量的同时，推动极稀疏视图 CBCT 重构并保持诊断图像质量。
• 纳入神经先验以编码一个连续的三维衰减表示，从极稀疏数据中合成密集投影。
• 开发一个双扩散细化框架，强制实现角度连续性与跨层一致性。

提出的方法

• 利用神经先验建立一个连续的三维衰减表示，从极稀疏测量中合成密集投影。
• 开发 Sinogram Refinement Diffusion（Sino-RD）以恢复投影数据中的角度连续性。
• 开发 Digital Radiography Refinement Diffusion（DR-RD）以从投影图像中强制跨层一致性。
• 引入 Dual-Projection Reconstruction Fusion（DPRF）以自适应融合 Sino-RD 和 DR-RD 的输出，从而实现一致的体积重建。
• 以基于扩散的细化管线为基础，在极稀疏视图条件下迭代改进重建体积。

实验结果

研究问题

• RQ1 神经先验是否能够提供稳健的连续三维衰减表示，从极稀疏 CBCT 测量中合成密集投影？
• RQ2 双扩散细化策略是否能够联合恢复角度连续性和跨层一致性，以改善极稀疏视图 CBCT 重构？
• RQ3 将 Sino-RD 和 DR-RD 输出进行自适应融合，是否能比单一路径细化得到更一致的三维重建？
• RQ4 与最先端的极稀疏视图 CBCT 重构技术相比，该方法在抑制伪影和保留纹理方面的性能如何？

主要发现

• 所提出的 CSDN 方法在极稀疏视图条件下能有效抑制伪影。
• 神经先验使从稀疏测量中合成物理上一致的密集投影成为可能。
• 两条协同扩散路径（Sino-RD 和 DR-RD）分别恢复角度连续性和跨层一致性。
• 通过 DPRF 模块的自适应融合，将两条细化路径结合起来，产生一致的体积重建。