ニューラル先验を用いた連続性を導くシナergティックな拡散：超スパースビュー CBCT 再構成のための新たなアプローチ

圆锥形ビームコンピュータ断層撮影 (CBCT) の臨床応用は、放射線被曝量と画像品質間の内在的なトレードオフに制限されています。被曝量を低減するために行われる超スパースな角度サンプリングは、重度的な欠落サンプリングアーティファクトおよびスライス間の不一致を生じ、診断信頼性を損なうことになります。既存の再構成手法は、角度的連続性と空間詳細忠実性のバランスを取るのに困難を伴います。これらの課題に対処するために、われわれは超スパースビュー CBCT 再構成のための「連続性を導くシナergティックな拡散でニューラル先验 (CSDN)」を提案します。ニューラル先验は、連続的な 3 次元減衰表現をエンコードする構造的基盤として導入され、スパースな測定値から物理的に整合性の高い密度プロセーションを合成可能とします。このニューラル先验に基づく初期化を踏まえて、2 つの協調的改善パスから構成されるシナergティックな拡散戦略が開発されました：1 つは角度的連続性を回復させるシングラフィorefinement拡散 (Sino-RD) プロセス、もう 1 つは投影画像の観点からスライス間の整合性を強いるデジタル放射線撮影改善拡散 (DR-RD) プロセスです。2 つの拡散パスの出力は、連続的な体積再構成を達成するために適応的に融合されます。大規模実験の結果、提案された CSDN は超スパースビュー条件下でアーティファクトを効果的に抑制し、微細なテクスチャを回復し、既存の最前端的技術よりも優れていることを示しました。

arXiv:2602.07980v1 Announce Type: new 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.