STCNet
一种用于稀疏视图4D CBCT重建的双域时空一致性学习框架，通过在投影域引入物理驱动位置编码、在潜空间引入时间编码，并联合优化投影域与图像域，实现高保真、时间连贯的4D重建。
时间轴 (近 90 天)
STCNet框架在稀疏视图4D CBCT重建中，每个呼吸相位仅需16个投影即可重建高质量图像。
STCNet采用双域协同策略，在投影域引入物理驱动的位置编码，在潜空间引入时间编码，联合优化投影域和图像域。
在TCIA-LUNG数据集上，STCNet在第2、5、8相位分别达到33.311 dB、32.695 dB、32.658 dB的PSNR，SSIM分别为0.845、0.823、0.825。
在CIRS胸部模体数据集上，STCNet的PSNR最高达36.497 dB，SSIM最高0.877。
STCNet在图像质量、伪影抑制和结构保留三方面均优于传统方法和近年深度学习基线。
STCNet报告的33 dB级别PSNR和0.82以上的SSIM，在16投影条件下属于当前文献中的领先水平，但这些数值是在特定数据集上取得的，跨数据集泛化性仍需验证。
STCNet目前结果仍局限于公开数据集和模体，真实患者的呼吸变异、摆位误差、金属伪影等复杂因素尚未覆盖。
双域协同策略的计算开销没有在文中详细讨论，在临床实时性要求下可能成为落地瓶颈。
STCNet引入的物理驱动位置编码提供了归纳偏置，确保重建结果与X射线投影的几何关系不矛盾，时间编码约束相位间的运动符合呼吸动态。
STCNet的设计思路与物理信息神经网络（PINN）一脉相承，核心目标都是让深度学习模型在数据不足或分布外场景下仍保持可靠性和可解释性。
还有 1 条时间轴事件
全部知识事实 (11)
STCNet框架在稀疏视图4D CBCT重建中，每个呼吸相位仅需16个投影即可重建高质量图像。
50%待验证STCNet采用双域协同策略，在投影域引入物理驱动的位置编码，在潜空间引入时间编码，联合优化投影域和图像域。
50%待验证在TCIA-LUNG数据集上，STCNet在第2、5、8相位分别达到33.311 dB、32.695 dB、32.658 dB的PSNR，SSIM分别为0.845、0.823、0.825。
50%待验证在CIRS胸部模体数据集上，STCNet的PSNR最高达36.497 dB，SSIM最高0.877。
50%待验证STCNet在图像质量、伪影抑制和结构保留三方面均优于传统方法和近年深度学习基线。
50%待验证STCNet报告的33 dB级别PSNR和0.82以上的SSIM，在16投影条件下属于当前文献中的领先水平，但这些数值是在特定数据集上取得的，跨数据集泛化性仍需验证。
50%待验证STCNet目前结果仍局限于公开数据集和模体，真实患者的呼吸变异、摆位误差、金属伪影等复杂因素尚未覆盖。
50%待验证双域协同策略的计算开销没有在文中详细讨论，在临床实时性要求下可能成为落地瓶颈。
50%待验证STCNet引入的物理驱动位置编码提供了归纳偏置，确保重建结果与X射线投影的几何关系不矛盾，时间编码约束相位间的运动符合呼吸动态。
50%待验证STCNet的设计思路与物理信息神经网络（PINN）一脉相承，核心目标都是让深度学习模型在数据不足或分布外场景下仍保持可靠性和可解释性。
50%待验证STCNet属于稀疏视图重建与动态序列建模的交叉尝试，不追求替代全采样CT，而是为低剂量、相位分辨的4D CBCT提供一种可行方案。
50%