SAINT：用于医学切片合成的空间感知插值网络
图像与视频处理
2020-01-06 v1
摘要
基于深度学习的单图像超分辨率（SISR）方法在应用于3D医学体数据（即CT和MR图像）时，由于高内存成本和各向异性分辨率而面临各种挑战，这对其性能产生了不利影响。此外，主流SISR方法被设计为针对特定上采样倍数工作，这使得它们在临床实践中效果不佳。本文引入一种用于医学切片合成的空间感知插值网络（SAINT），以缓解体数据带来的内存限制。与其他超分辨率方法相比，SAINT利用体素间距信息提供所需的细节水平，并允许上采样倍数动态确定。我们基于来自四个包含肝脏、结肠、肝血管和肾脏的数据集的853份CT扫描的评估表明，SAINT在医学切片合成质量方面持续优于其他SISR方法，同时仅使用单一模型即可处理不同的上采样倍数。
引用
@article{arxiv.2001.00704,
title = {SAINT: Spatially Aware Interpolation NeTwork for Medical Slice Synthesis},
author = {Cheng Peng and Wei-An Lin and Haofu Liao and Rama Chellappa and Shaohua Kevin Zhou},
journal= {arXiv preprint arXiv:2001.00704},
year = {2020}
}