《Mathematics》：EpiC-NeRF: Epistemic Uncertainty-Guided Neural Radiance Fields for Sparse-View CT Reconstruction
编辑推荐：
稀疏视图计算机断层扫描（CT）重建旨在从有限数量的X射线投影图像中恢复高质量的CT体数据，从而减少图像采集过程中的辐射暴露。然而，该问题本质上是病态的，因为每个投影仅提供间接的线积分监督，且不同的衰减分布可以解释相似的稀疏测量。现有的解析方法和迭代方法常受条状
稀疏视图计算机断层扫描（CT）重建旨在从有限数量的X射线投影图像中恢复高质量的CT体数据，从而减少图像采集过程中的辐射暴露。然而，该问题本质上是病态的，因为每个投影仅提供间接的线积分监督，且不同的衰减分布可以解释相似的稀疏测量。现有的解析方法和迭代方法常受条状伪影和不稳定解的影响，而基于监督学习的方法需要配对训练数据，且在不同解剖区域或采集设置下可能泛化能力较差。基于神经辐射场（NeRF）的方法近期显示出前景，通过将衰减场表示为连续的坐标函数，直接从投影图像优化。然而，这些方法主要强制执行投影一致性，并未显式利用体域不确定性指导后续重建。在本工作中，研究人员提出EpiC-NeRF，一种针对CT的闭环框架，主动将估计的认知不确定性反馈到稀疏视图重建中。EpiC-NeRF将证据不确定性估计和聚合适应于X射线CT线积分公式，并将产生的空间不确定性维持在一个持久的三维认知网格图中。累积的不确定性被认知自适应层归一化用于调制中间特征，并被双重主动采样用于指导射线和点级样本分配。新估计的不确定性随后更新网格图并指导后续优化迭代，形成不确定性估计与CT重建之间的统一反馈回路。在四个CT体数据集上的实验表明，EpiC-NeRF相比现有解析、迭代和神经隐式重建方法，实现了更高的重建保真度。
**论文解读文章**
**研究背景与问题**
计算机断层扫描（CT）通过非侵入方式可视化内部解剖结构，广泛应用于临床诊断和手术规划。在CT成像中，三维衰减体从多个投影角度采集的二维X射线投影图像重建得到。然而，密集采集投影不可避免地涉及辐射暴露，因此需要减少投影数量同时保持图像质量。稀疏视图CT重建旨在从有限数量的投影图像中恢复完整三维体，但由于投影角度稀疏，测量约束不足，导致重建问题病态，易产生条状伪影、边界模糊和结构歧义。
现有方法面临挑战：解析方法（如Feldkamp-Davis-Kress，FDK）计算高效但稀疏采样下产生严重伪影；迭代方法（如联合代数重建技术，SART）通过投影一致性改善质量，但解仍不稳定；基于深度学习的方法需要配对训练数据且泛化受限。近期，神经辐射场（NeRF）方法通过将衰减场表示为连续坐标函数，从投影图像直接优化，无需监督，但现有方法仅强制投影一致性，未利用体域不确定性指导重建。由于投影监督是间接的，不同三维衰减分布可解释相似稀疏测量，导致几何歧义。认知不确定性可反映模型因证据不足而缺乏知识，但现有NeRF方法未显式估计或使用此不确定性，导致训练样本选择不考虑未充分约束区域，结构不确定区域优化不足。
**研究内容与意义**
研究人员提出EpiC-NeRF，一种不确定性感知的NeRF框架，将认知不确定性作为主动反馈信号引入CT特定闭环中。通过将证据不确定性估计和聚合适应于线积分衰减建模，联合预测衰减系数和证据参数，累积的空间不确定性存储在持久三维认知网格图中，并用于认知自适应层归一化（E-AdaLN）调制特征和双重主动采样指导样本分配。新估计的不确定性更新网格图，影响后续迭代，形成统一反馈环路。在四个CT体数据集（肺、腹部、颌骨、足部）上的实验表明，EpiC-NeRF在三维PSNR和SSIM上优于解析、迭代和神经隐式方法，尤其对软组织低对比区域改善显著。该工作发表于《Mathematics》。
**主要关键技术方法**
1. **证据衰减建模**：将证据NeRF框架适应于CT线积分，通过MLP解码器预测点级衰减系数、形状分数、认知不确定性和偶然不确定性，并采用归一化步长加权聚合至像素级，利用负对数似然损失和证据正则化项联合优化衰减与不确定性。
2. **认知网格图**：构建持久三维空间库，通过指数移动平均累积点级认知不确定性，支持通过三线性插值查询任意坐标的不确定性。
3. **认知自适应层归一化（E-AdaLN）**：基于查询的局部认知不确定性，通过线性投影和tanh激活生成尺度与偏移项，对哈希编码特征进行调制，使归一化统计量随空间不确定性变化。
4. **双重主动采样**：二维射线采样根据射线级不确定性图选择高不确定性射线（一半），并随机采样另一半以保持覆盖；三维点采样利用认知网格图沿射线细化采样区间，在粗均匀采样基础上，通过逆变换抽样从不确定性分布中抽取细点，聚焦高不确定性区域。
**研究结果**
- **定量评估**：在肺、腹部、颌骨、足部四个数据集上，EpiC-NeRF在所有指标上均取得最高三维PSNR和SSIM。例如，肺数据集上达到35.25 dB和0.9737，比次优方法SAX-NeRF提升2.28 dB和0.0118；腹部数据集上为38.23 dB和0.9813，比次优方法NAF提升2.73 dB；颌骨和足部数据集上分别提升1.92 dB和0.32 dB，表明认知不确定性引导对软组织低对比区域尤其有效。
- **定性评估**：视觉比较显示，EpiC-NeRF生成切片更接近真实，边界清晰，伪影减少，局部误差图（基于PSNR的误差图）显示误差分布更稀疏、更局部化，尤其在复杂解剖结构和低对比区域。
- **认知不确定性分析**：投影域和CT域的不确定性图与重建误差图大致一致，高不确定性区域集中在低对比边界、血管样结构和骨重叠区域，表明不确定性反映模型缺乏知识，可作为优化信号。
- **时间效率**：收敛曲线显示，EpiC-NeRF在相同训练时间下达到更高PSNR，早期提升更快，最终保真度更高，表明不确定性引导优化从早期阶段即聚焦信息区域。
- **消融研究**：逐步引入E-AdaLN、二维主动采样和三维主动采样，每个组件均带来一致提升。E-AdaLN在肺和腹部数据集上分别提升1.17 dB和2.08 dB，二维采样进一步增加1.01 dB和0.69 dB，三维采样最终达到最高性能，表明三个组件互补贡献。
- **正则化参数敏感性**：λ=1对肺和腹部最优，λ=0.5对颌骨，λ=5对足部，λ=1在所有数据集上表现竞争，可作为默认值。
**结论**
论文总结：EpiC-NeRF将认知不确定性融入衰减场优化，通过证据建模、认知网格图、E-AdaLN和双重主动采样，在稀疏视图CT重建中实现闭环反馈。定量评估在四个数据集上取得最高PSNR和SSIM，定性结果减少伪影和局部结构误差，尤其在证据不足的模糊区域。收敛和消融分析证实不确定性引导的归一化和采样提供互补益处。局限性包括：改善在软组织数据集更显著，高对比硬组织提升较小；当前模型采用单能、无散射的线积分前向模型，未考虑实际X射线采集中的物理效应（如束硬化、散射）。未来工作将探索自适应不确定性加权、结构感知特征表示、解剖依赖采样策略和更真实的前向建模，并研究更快的优化策略和紧凑不确定性表示以降低计算成本，提高鲁棒性和效率。
