MInDI-3D

MInDI-3D数据集是一个大型伪CBCT数据集，包含16,182个胸部CT体积，包括投影。该数据集用于MInDI-3D模型的稳健训练。数据集的创建过程涉及到从CT-RATE公共数据集中使用CBCT几何形状对CT体积进行前向投影，以获得CBCT投影，然后使用CBCT重建算法进行重建，以模拟CBCT获取。MInDI-3D数据集旨在解决从稀疏视图锥束CT中去除伪影的问题，以减少成像辐射暴露。

The MInDI-3D dataset is a large-scale pseudo-CBCT dataset consisting of 16,182 chest CT volumes with their associated projections. It is intended for robust training of the MInDI-3D model. The dataset is developed by conducting forward projection on CT volumes using the CBCT geometry from the public CT-RATE dataset to generate CBCT projections, followed by reconstruction with CBCT reconstruction algorithms to simulate actual CBCT acquisition. The MInDI-3D dataset aims to address the artifact removal problem for sparse-view cone-beam CT, thereby reducing imaging radiation exposure.

搜集汇总

数据集介绍

构建方式

MInDI-3D数据集的构建基于从CT-RATE公共数据集的胸部CT体积中生成的大规模伪CBCT数据集，包含16,182个体积。通过前向投影技术模拟CBCT几何结构，生成稀疏视图输入（25、50和100个投影）及对应的高质量体积数据。数据集采用FDK算法和Ram-Lak滤波器进行重建，确保数据在临床稀疏视图条件下的真实性和多样性。

特点

MInDI-3D数据集以其全三维体积处理能力和高效的迭代去噪过程脱颖而出，显著提升了稀疏视图CBCT的图像质量。其特点包括：基于扩散模型的确定性直接迭代方法，支持从极稀疏投影（如25个）中恢复高保真图像；包含多解剖部位（胸部、腹部、乳腺和肺部）的真实临床数据验证；以及通过大规模训练数据（16,182个体积）实现的强泛化性能。数据集的感知-失真平衡特性允许用户通过调整迭代步骤权衡图像保真度与视觉真实性。

使用方法

该数据集主要用于训练和评估3D扩散模型在稀疏视图CBCT伪影去除任务中的性能。研究人员可通过加载伪CBCT投影数据及对应真值体积，输入到MInDI-3D框架中进行端到端训练。推理阶段支持1-30个可调迭代步骤，平衡PSNR（峰值信噪比）与FD DINOv2（感知质量指标）。临床使用时，模型输出可直接用于患者定位（96.4-100%临床认可率），或通过TotalSegmentator工具进行解剖结构分割（如肺部DICE≥0.96）。数据集还提供不同扫描仪几何结构的测试集，用于验证模型跨设备泛化能力。

背景与挑战

背景概述

MInDI-3D数据集由苏黎世应用科学大学（ZHAW）人工智能中心（CAI）等机构的研究团队于2025年提出，旨在解决稀疏视图锥束计算机断层扫描（CBCT）中的伪影去除问题。该数据集通过将InDI（Inversion by Direct Iteration）概念从2D扩展到3D，实现了对医学图像的直接迭代去噪过程，显著降低了成像辐射剂量。研究团队基于公开的CT-RATE胸部CT数据集生成了包含16,182个伪CBCT体积的大规模训练集，并通过临床评估验证了其有效性。MInDI-3D在仅使用50个投影的情况下，相较于未校正扫描实现了12.96 dB的PSNR提升，为医学影像重建领域提供了新的高效解决方案。

当前挑战

MInDI-3D数据集面临的核心挑战包括：1) 领域问题方面，稀疏视图CBCT重建因违反奈奎斯特-香农采样定理而产生条纹伪影，严重影响临床可用性；2) 构建过程中需克服三维扩散模型的高计算成本问题，传统方法需数百次迭代步导致推理时间过长。此外，伪CBCT模拟虽能生成大规模训练数据，但难以完全复现真实场景中的散射和运动伪影，且需平衡感知质量与解剖保真度的矛盾。临床应用中还需解决模型对不同扫描几何（如半扇/全扇扫描）和解剖部位（胸/腹/乳腺）的泛化性问题。

常用场景

经典使用场景

在医学影像领域，稀疏视图锥束计算机断层扫描（CBCT）技术因其快速成像特性被广泛应用于放射治疗中的患者定位和肿瘤追踪。MInDI-3D数据集通过16,182例伪CBCT胸部CT体积数据，为深度学习模型提供了消除稀疏视图伪影的标准化训练环境，其核心价值在于实现仅需50个投影即可提升12.96dB PSNR的成像质量，同时将辐射暴露降低8倍。该数据集特别适用于研究如何在极低剂量条件下保持影像的解剖结构保真度，已成为评估3D扩散模型性能的基准平台。

衍生相关工作

该数据集催生了多个里程碑式研究：Li等人基于AAPM低剂量CT挑战赛数据开发的三平面2D扩散模型（2024）、Lee团队提出的预训练垂直2D扩散先验方法（ICCV 2023）均受其启发。在方法论层面，MInDI-3D的注意力机制设计（2模块提升2.02dB PSNR）为后续3D CVT-GAN等架构提供了参考。其公开的伪CBCT数据更直接支持了Blaze3DM等三平面表征研究（2024），推动了生成模型在CT淋巴结节检测等下游任务的应用。

数据集最近研究

最新研究方向

近年来，医学影像领域在稀疏视角锥束计算机断层扫描（CBCT）重建方面取得了显著进展，特别是在降低辐射剂量和提高图像质量方面。MInDI-3D作为首个基于3D条件扩散模型的稀疏视角CBCT伪影去除方法，通过将InDI概念从2D扩展到3D，实现了直接在稀疏视角输入上进行迭代去噪，显著提升了图像质量。该模型在CT-RATE伪CBCT数据集上训练，并通过临床评估验证了其有效性，能够在仅50个投影的情况下实现12.96 dB的PSNR增益，同时将成像辐射剂量降低8倍。此外，MInDI-3D展示了良好的可扩展性，其性能随着训练数据的增加而提升，并且在真实世界扫描中与3D U-Net表现相当。这一研究方向不仅推动了低剂量医学影像技术的发展，也为临床应用中减少患者辐射暴露提供了新的解决方案。

相关研究论文

• MInDI-3D: Iterative Deep Learning in 3D for Sparse-view Cone Beam Computed Tomography

  瑞士苏黎世应用科技大学（ZHAW） · 2025年