DVG-Diffusion: Modelo de Difusión Guiado por Doble Vista para Reconstrucción de TC a partir de Rayos X

Área de la Ciencia:

• Imágenes Médicas
• Visión por Computadora
• Inteligencia Artificial

Sus antecedentes:

• La reconstrucción de volúmenes de TC 3D a partir de rayos X 2D de pocas vistas es un desafío debido a la naturaleza de proyección de los rayos X.
• Los métodos existentes de aprendizaje profundo enfrentan dificultades en el mapeo complejo de rayos X 2D a TC 3D.

Objetivo del estudio:

• Desarrollar una red de aprendizaje profundo eficaz para la reconstrucción de volúmenes de TC 3D de alta fidelidad a partir de proyecciones de rayos X 2D limitadas.
• Reducir la dificultad de aprendizaje en la reconstrucción de TC incorporando la síntesis de nuevas vistas y la alineación de características.

Principales métodos:

• Se propuso un modelo de difusión guiado por doble vista (DVG-Diffusion) que integra vistas de rayos X reales y sintetizadas.
• Se utilizó un codificador guiado por parámetros de vista para la extracción de características alineadas espacialmente.
• Se empleó un modelo de difusión latente condicionado a características de doble vista para el refinamiento de la representación latente de TC.

Principales resultados:

• DVG-Diffusion logró un equilibrio entre alta fidelidad y calidad perceptual en la reconstrucción de TC.
• Los resultados experimentales demostraron un rendimiento superior en comparación con los métodos de vanguardia.
• Se presentó un análisis exhaustivo de las vistas y la calidad de la reconstrucción.

Conclusiones:

• El modelo propuesto DVG-Diffusion reconstruye eficazmente volúmenes de TC 3D a partir de rayos X de pocas vistas.
• Las estrategias de guía de doble vista y alineación de características mejoran significativamente la precisión y calidad de la reconstrucción.
• El método ofrece una solución prometedora para los desafíos de imagenología de TC de dosis baja y vistas limitadas.