新框架扩展牙科CBCT视野，结合INR与扩散模型
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载截断视野带来的成像缺口
牙科锥形束 CT 设备在探测器排布上往往只能覆盖患者解剖结构的一小部分，由此形成被截断的视野。这种硬件层面的限制意味着单次扫描获取的投影数据本身就不完整，重建出的三维图像在视野边缘容易出现截断伪影，超出原始视野的结构也难以被准确还原。该研究要解决的问题正是：在只有截断视野投影的前提下，把可重建的范围向外扩展。作者提出的思路不是改动扫描硬件，而是从算法侧入手，利用已有的截断投影去估计缺失部分，再据此生成范围更大的体数据。
三阶段串联的重建流程
该框架由三个依次衔接的环节组成。第一步采用隐式神经表示，对截断投影数据中缺失的部分进行估计，用连续表示的方式补全投影域信息。第二步执行迭代重建，生成一幅次级体图像，其目的在于提升解剖结构上的一致性，使补全后的数据在物理成像模型下自洽。第三步引入一个快速扩散模型做图像增强，对重建结果进一步优化。作者把连续表示、基于物理的重建以及生成式细化整合进同一条流水线，用于处理截断的锥形束 CT 成像，三者的分工分别对应投影补全、体数据生成与画质提升。
效果与可用范围
实验结果显示，这一方法能够有效减轻截断伪影，改善那些延伸到原始视野之外的结构在重建中的呈现，并输出质量更高的图像。与仅依赖单一环节的方案相比，其特点在于把补全、重建与增强放在统一流程中协同完成，而不是各自独立处理。需要留意的是，该工作的输入前提是截断视野扫描的投影数据，方法本身并不改变设备的采集几何；其代码已公开，论文被 MICAD 2026 接收，归入计算机视觉与人工智能方向。对关注牙科影像重建的读者而言，这意味着在既有设备条件下，通过算法扩展可视范围是一条可验证的技术路径。
为什么值得看
将INR与扩散模型结合解决医学成像截断伪影，为CBCT视野扩展提供新解法且代码开源，具临床与工程参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。