面向医学切片合成的 I$^3$Net：基于插值的网络
图像与视频处理
2024-05-07 v1 计算机视觉与模式识别
摘要
医学成像受限于获取时间和扫描设备，CT 和 MR 体数据在重建较粗大的切片时呈各向异性特征：平面内分辨率高、穿透方向分辨率低。我们发现，由于数据性质，沿轴向视图进行切片级插值比从其他视角进行超分辨率更具优势。基于此现象，我们提出一种 Inter-Intra-slice Interpolation Network（INet），充分利用高平面分辨率信息并补偿低穿透分辨率。穿透分支从高平面分辨率中补充有限信息，实现持续且多样的特征学习；平面分支将特征转换至频域，并在全局上下文学习范式下赋予所有频率带相等的学习机会。我们进一步提出跨视角模块，联合利用三种视角的信息。大量实验表明 INet 在两个公开数据集上效果显著，显著优于最先进的超分辨率、视频帧插值和切片插值方法。我们在 MSD 数据集上实现 43.90dB 的 PSNR，放大因子 2 时至少提升 1.14dB，且推理更快。代码已公开于 https://github.com/DeepMed-Lab-ECNU/Medical-Image-Reconstruction。
引用
@article{arxiv.2405.02857,
title = {I$^3$Net: Inter-Intra-slice Interpolation Network for Medical Slice Synthesis},
author = {Haofei Song and Xintian Mao and Jing Yu and Qingli Li and Yan Wang},
journal= {arXiv preprint arXiv:2405.02857},
year = {2024}
}