面向医学图像超分辨率的语义条件隐式神经表示
图像与视频处理
2024-09-04 v1 人工智能
计算机视觉与模式识别
摘要
隐式神经表示 (INR) 由于能够无需大量训练数据集即可学习信号的连续表示，最近在深度学习领域取得了显著进展。尽管 INR 方法已用于医学图像超分辨率，但其对医学图像中局部先验条件的适应性尚未得到广泛探索。医学图像包含丰富的解剖学划分，可为增强 INR 准确性和鲁棒性提供有价值的局部先验信息。本文提出一种新框架，称为语义条件 INR (SeCo-INR)，其条件化 INR 使用医学图像的局部先验，实现精确的模型拟合和插值能力，以实现超分辨率。我们的框架学习医学图像语义分割特征的连续表示，并利用它为图像的每个语义区域推导最佳 INR。我们使用多种医学成像模态进行了测试，实现了较高的定量分数和更真实的超分辨率输出，优于现有的 SOTA 方法。
引用
@article{arxiv.2409.01013,
title = {SeCo-INR: Semantically Conditioned Implicit Neural Representations for Improved Medical Image Super-Resolution},
author = {Mevan Ekanayake and Zhifeng Chen and Gary Egan and Mehrtash Harandi and Zhaolin Chen},
journal= {arXiv preprint arXiv:2409.01013},
year = {2024}
}
备注
This paper was accepted for presentation at the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2025