CycleINR：用于医学数据任意尺度体积超分辨率的循环隐式神经表示
图像与视频处理
2024-04-09 v1 计算机视觉与模式识别
摘要
在医学3D数据（如CT和MRI图像）领域，普遍存在的各向异性分辨率表现为层内分辨率高但层间分辨率低。相邻切片之间降低的分辨率带来了挑战，阻碍了最佳观看体验，并阻碍了稳健的下游分析算法的开发。各种体积超分辨率算法旨在克服这些挑战，提高层间分辨率和整体3D医学成像质量。然而，现有方法面临固有挑战：1）通常针对特定上采样因子定制，缺乏适应不同临床场景的灵活性；2）新生成的切片经常遭受过度平滑，导致细节退化，并导致层间不一致。为此，本研究提出了CycleINR，一种用于3D医学数据体积超分辨率的新型增强隐式神经表示模型。利用学习到的隐式函数的连续性，CycleINR模型可以实现任意上采样率的结果，无需单独训练。此外，我们通过局部注意力机制增强了CycleINR中的网格采样，并通过集成循环一致性损失来减轻过度平滑。我们引入了一个新指标——切片级噪声水平不一致性（SNLI），以定量评估层间噪声水平不一致性。通过在内部数据集上的图像质量评估和在医学分割十项全能肝脏肿瘤数据集上的下游任务分析，证明了我们方法的有效性。
引用
@article{arxiv.2404.04878,
title = {CycleINR: Cycle Implicit Neural Representation for Arbitrary-Scale Volumetric Super-Resolution of Medical Data},
author = {Wei Fang and Yuxing Tang and Heng Guo and Mingze Yuan and Tony C. W. Mok and Ke Yan and Jiawen Yao and Xin Chen and Zaiyi Liu and Le Lu and Ling Zhang and Minfeng Xu},
journal= {arXiv preprint arXiv:2404.04878},
year = {2024}
}
备注
CVPR accepted paper