DuFal: 고주파수 정보 인식 기반의 고품질 초저화면 CBCT 재구성

DuFal: Dual-Frequency-Aware Learning for High-Fidelity Extremely Sparse-view CBCT Reconstruction

제한된 X-선 투영으로부터 초저화면 콘빔 CT(CBCT) 재구성은 미세한 해부학적 세부 사항, 즉 고주파 성분에 해당하는 정보의 본질적인 부족으로 인해 의료 영상 분야에서 여전히 어려운 문제입니다. 기존의 CNN 기반 방법은 이러한 미세 구조를 복원하는 데 어려움을 겪는 경우가 많으며, 이는 일반적으로 저주파 정보 학습에 편향되어 있기 때문입니다. 이러한 문제를 해결하기 위해, 본 논문에서는 주파수 영역 및 공간 영역 처리를 이중 경로 아키텍처를 통해 통합하는 새로운 프레임워크인 DuFal(Dual-Frequency-Aware Learning)을 제안합니다. 핵심적인 혁신은 High-Local Factorized Fourier Neural Operator에 있으며, 이는 상호 보완적인 두 개의 분기로 구성됩니다. 첫 번째는 전체 주파수 패턴을 캡처하는 Global High-Frequency Enhanced Fourier Neural Operator이고, 두 번째는 공간적으로 분할된 패치를 처리하여 전체 주파수 분석에서 손실될 수 있는 공간적 지역성을 보존하는 Local High-Frequency Enhanced Fourier Neural Operator입니다. 효율성을 향상시키기 위해, Fourier Neural Operator의 파라미터 수를 줄이는 Spectral-Channel Factorization 방식을 설계했습니다. 또한, 공간 및 주파수 특징을 효과적으로 통합하기 위한 Cross-Attention Frequency Fusion 모듈을 설계했습니다. 융합된 특징은 Feature Decoder를 통해 투영 표현을 생성하며, 이는 이후 Intensity Field Decoding 파이프라인을 통해 최종 CT 볼륨을 재구성합니다. LUNA16 및 ToothFairy 데이터 세트에 대한 실험 결과는 DuFal이 기존의 최첨단 방법보다 고주파수 해부학적 특징을 보존하는 데 크게 우수하며, 특히 극도로 낮은 투영 수 환경에서 더욱 효과적임을 보여줍니다.

Sparse-view Cone-Beam Computed Tomography reconstruction from limited X-ray projections remains a challenging problem in medical imaging due to the inherent undersampling of fine-grained anatomical details, which correspond to high-frequency components. Conventional CNN-based methods often struggle to recover these fine structures, as they are typically biased toward learning low-frequency information. To address this challenge, this paper presents DuFal (Dual-Frequency-Aware Learning), a novel framework that integrates frequency-domain and spatial-domain processing via a dual-path architecture. The core innovation lies in our High-Local Factorized Fourier Neural Operator, which comprises two complementary branches: a Global High-Frequency Enhanced Fourier Neural Operator that captures global frequency patterns and a Local High-Frequency Enhanced Fourier Neural Operator that processes spatially partitioned patches to preserve spatial locality that might be lost in global frequency analysis. To improve efficiency, we design a Spectral-Channel Factorization scheme that reduces the Fourier Neural Operator parameter count. We also design a Cross-Attention Frequency Fusion module to integrate spatial and frequency features effectively. The fused features are then decoded through a Feature Decoder to produce projection representations, which are subsequently processed through an Intensity Field Decoding pipeline to reconstruct a final Computed Tomography volume. Experimental results on the LUNA16 and ToothFairy datasets demonstrate that DuFal significantly outperforms existing state-of-the-art methods in preserving high-frequency anatomical features, particularly under extremely sparse-view settings.