双先验引导的零空间学习与样条混合用于任意医学切片超分辨率

任意切片超分辨率通过合成任意尺度的中间切片，从各向异性的临床采集重建各向同性的体积。然而，将这种不适定的逆问题视为无约束的基于残差的回归，可能会产生解剖学上不合理的结构或改变原始观测数据。为了解决这两个问题，本文提出了双先验零空间学习（DP-NSL）框架，该框架将任务重新表述为由两个互补先验引导的约束恢复过程。测量一致性投影（MCP）强制执行确定性观测先验：重建经历精确的正交投影，以零误差重现每个采集的切片，将所有学习到的细节限制在不可观测的零空间中。在该零空间内，样条混合（MoS）模块通过动态混合不同解析阶数的B样条专家来施加几何连续性先验，允许每个解剖区域以内容感知的连续性水平进行建模。为了促进空间一致性，局部空间一致性解码器（LSCD）进一步注入局部归纳偏差。在三个CT和一个MRI基准上的实验表明，DP-NSL优于现有方法，同时严格保持测量一致性。代码可在https://github.com/DeepMed-Lab-ECNU/Medical-Image-Reconstruction获取。