La tomografía computarizada por rayos X (CT) se utiliza ampliamente en la práctica clínica. Sin embargo, la radiación ionizante de rayos X involucrada podría aumentar el riesgo de cáncer. Por lo tanto, la reducción de la dosis de radiación ha sido un tema importante en los últimos años. La reconstrucción de imágenes de CT de vista reducida es una de las principales formas de minimizar la dosis de radiación y potencialmente permitir una arquitectura de CT estacionaria. En este documento, proponemos una red de reconstrucción adversarial codificador-decodificador profundo (DEAR) para la reconstrucción de imágenes de CT 3D a partir de datos de vista reducida. Dado que los artefactos causados por la reconstrucción de vista reducida aparecen en 3D en lugar de geometría 2D, una red profunda 3D tiene un gran potencial para mejorar la calidad de la imagen de manera basada en datos. Más específicamente, nuestra red DEAR-3D propuesta tiene como objetivo reconstruir el volumen 3D directamente a partir de datos de imágenes clínicas de espiral cónica 3D. DEAR se valida en un conjunto de datos de CT abdominal disponible públicamente y preparado y autorizado por Mayo Clinic. En comparación con otros métodos de aprendizaje profundo 2D, la red DEAR-3D propuesta puede utilizar la información 3D para producir resultados de reconstrucción prometedores.