PPCAR-Net: Projection-Refined Parametric 3D Coronary Artery Reconstruction from Sparse X-ray Angiographic Views

📄 arXiv: 2610.09383v1 📥 PDF

作者: Yu Ren, Hwee Kuan Lee, Tat-Jen Cham, Jonathan Yap, Khung Keong Yeo

分类: cs.CV

发布日期: 2026-10-07

备注: 22 pages, 5 figures, 10 tables, including references and appendix. Code and pretrained models: https://github.com/G2304138H/PPCAR-Net . Project page with video results: https://G2304138H.github.io/PPCAR-Net/

💡 一句话要点

提出PPCAR-Net以解决稀疏视图下冠状动脉重建问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 冠状动脉重建 稀疏视图 3D重建 深度学习 医学影像

📋 核心要点

  1. 现有的稀疏视图3D冠状动脉重建方法在处理血管重叠和缩短时存在显著不足，导致重建精度低下。
  2. PPCAR-Net通过直接预测中心线和半径表示，避免了传统方法中的点匹配和三角测量，简化了重建过程。
  3. 在CT衍生的冠状动脉解剖模拟实验中，PPCAR-Net在右冠状动脉的中心线精度上表现优异，且重建速度达到实时水平。

📝 摘要（中文）

稀疏视图下的3D冠状动脉重建通常依赖于视图间对应和三角测量，这在血管重叠和缩短情况下容易出错。本文提出PPCAR-Net，一种投影精炼的参数化冠状动脉重建网络，能够直接预测分支结构的中心线和半径表示，而无需显式的点匹配、三角测量或中间体积。该网络结合了冻结的VGGT特征与学习的分支查询，估计分支存在、B样条中心线轨迹和密集半径轮廓。通过投影引导的几何和半径精炼器，从输入视图中采样局部证据，并应用3D监督学习的残差修正。实验表明，PPCAR-Net在模拟的CT衍生冠状动脉解剖图像上，能够生成更连通的动脉重建，并在右冠状动脉的中心线精度上表现优异，同时保持竞争性的体积重叠。粗到细的推理过程仅需121毫秒，实现实时重建。

🔬 方法详解

问题定义：本文旨在解决稀疏视图下冠状动脉的3D重建问题。现有方法依赖于视图间的对应关系和三角测量，容易受到血管重叠和缩短的影响，导致重建结果不准确。

核心思路：PPCAR-Net的核心思路是通过直接预测分支结构的中心线和半径表示，避免了显式的点匹配和三角测量，从而简化了重建流程并提高了精度。

技术框架：该方法的整体架构包括一个粗略预测器和投影引导的几何与半径精炼器。粗略预测器结合了冻结的VGGT特征与学习的分支查询，估计分支存在和B样条中心线轨迹。精炼器则从输入视图中采样局部证据，并进行残差修正。

关键创新：PPCAR-Net的主要创新在于其能够在没有中间体积的情况下，直接生成分支结构的中心线和半径表示。这一设计与传统方法的显著区别在于其避免了复杂的点匹配和三角测量过程。

关键设计：在网络设计中，采用了B样条来表示中心线轨迹，并通过3D监督学习来优化残差修正。此外，粗到细的推理过程使得重建速度能够达到121毫秒，适合实时应用。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在模拟的CT衍生冠状动脉解剖实验中，PPCAR-Net在右冠状动脉的中心线精度上表现优异，重建结果更为连通，且在体积重叠方面保持竞争力。实验显示，该方法的粗到细推理过程仅需121毫秒，具备实时重建的能力。

🎯 应用场景

该研究具有广泛的临床应用潜力，尤其是在冠状动脉成像和心血管疾病的诊断中。通过提高稀疏视图下的重建精度，PPCAR-Net能够为医生提供更准确的血管结构信息，从而改善患者的治疗方案和预后。此外，该技术的实时重建能力也为手术导航提供了新的可能性。

📄 摘要（原文）

Sparse-view 3D coronary reconstruction commonly relies on cross-view correspondence and triangulation, which are vulnerable to vessel overlap and foreshortening, or on volumetric prediction followed by vascular-graph extraction, which does not directly provide centrelines and radii. We introduce PPCAR-Net, a projection-refined parametric coronary artery reconstruction network that directly predicts a branch-structured centreline-and-radius representation without explicit point matching, triangulation, or an intermediate volume. Given a variable number of segmented views, a coarse predictor combines frozen VGGT features with learned branch queries to estimate branch presence, B-spline centreline trajectories, and dense radius profiles. Projection-guided geometry and radius refiners then sample local evidence from the input views and apply residual corrections learned with 3D supervision. We evaluate representation fidelity and sparse-view reconstruction quantitatively and qualitatively. On simulated angiographic masks generated from CT-derived coronary anatomy, PPCAR-Net produces better connected artery reconstructions and achieves strong centreline accuracy, particularly for RCA, while maintaining competitive volumetric overlap. Coarse-to-fine inference takes 121 ms, enabling real-time reconstruction.