CVPRApr, 2024

CycleINR: 周期隐式神经表示实现医学数据任意尺度体积超分辨率

PDF
TL;DR本研究提出了 CycleINR，这是一种新颖的增强隐式神经表示模型，用于 3D 医学数据体积超分辨率。通过利用学习的隐式函数的连续性，CycleINR 模型可以以任意上采样率获得结果，消除了单独训练的需求。此外，我们通过引入局部注意机制和融合循环一致性损失来增强 CycleINR 中的格网采样，并减轻过度平滑。我们引入了一个新的度量标准，即切片噪声水平不一致性（SNLI），来定量评估切片间噪声水平的不一致性。我们通过对内部数据集的图像质量评估和对医学分割十项全能（Decathlon）肝肿瘤数据集的下游任务分析来证明我们方法的有效性。
发现论文，激发创造
  • MRI 并行重建的批量隐式神经表示

    基于隐式神经表示的 MRI 重建方法通过引入嵌入尺度的编码器和多层感知机 (MLP) 实现了对完全采样的 MRI 图像进行任意尺度的重建，相比其他重建方法，在公开 MRI 数据集上表现出更好的性能。

    Sep, 2023

  • 一种新的体数据隐式神经表示

    提出了一种新的隐式神经表示压缩方法，利用 Lanczos 降采样方案、SIREN 深度网络和 SRDenseNet 高分辨率方案，实现了高压缩比和良好的图像重建质量，同时降低了训练时间和 GPU 内存成本。

    Mar, 2024

  • CT 超分辨率 GAN，由相同、残差和循环学习组合限制（GAN-CIRCLE）

    本研究提出一种半监督深度学习方法，利用生成式对抗网络等技术实现从低分辨率 CT 图像到高分辨率 CT 图像的精确恢复，并在三个大规模 CT 数据集上进行了有效的定量和定性评价。

    Aug, 2018

  • INFusion: 基于扩散正则化的隐式神经表示用于二维和三维加速 MRI 重建

    INFusion 是一种技术，通过使用预训练的扩散模型，为基于学习的隐式神经表示（INRs）的优化提供正则化，以改善图像重建。2D 实验证明了使用我们提出的扩散正则化改进了 INR 训练的效果，而 3D 实验则证明了在 256x256x80 大小的 3D 矩阵上使用扩散正则化进行 INR 训练的可行性。

    Jun, 2024

  • 鲁棒联合稀疏视图 CT 重建的隐式神经表示

    通过联合表示以及贝叶斯框架，改进了计算机断层扫描（Computed Tomography）重建质量，实验表明明显提高了重建方法。

    May, 2024

  • 医学影像中的暗默神经表征：一项比较调查

    通过利用神经网络通过隐式连续函数参数化数据，隐式神经表示（INRs）在场景重建和计算机图形学中显示出显著结果，本论文综述了 INR 模型在医学成像领域的应用，并讨论了 INRs 的优势、局限性以及在医学成像数据中的挑战和考虑因素，同时提出了未来的研究方向和机会。

    Jul, 2023

  • Conv-INR: 多模视觉信号的卷积隐式神经表示

    本文提出了 Conv-INR，这是第一个完全基于卷积的 INR 模型，相较于现有的基于多层感知机的 INR 模型，Conv-INR 具有更好的表示能力和可训练性，同时能够有效地学习邻近坐标和高频组成部分。通过广泛的实验验证了 Conv-INR 在图像拟合、CT/MRI 重建和新视角合成等四个任务中明显优于现有的基于多层感知机的 INR 模型，而且在不引入额外推理成本的情况下，还提出了三种进一步增强 vanilla Conv-INR 性能的重新参数化方法。

    Jun, 2024

  • 深度循环生成对抗残差卷积网络用于真实图像超分辨率

    本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法，能够在真实世界的低分辨率与高分辨率图像转换中，保持数据分布的连续性，表现出较高的超分辨率效果。

    Sep, 2020

  • I$^3$Net：医学切片综合的切片间内外插值网络

    基于医学成像的高位面和低位面分辨率之间的插值现象，本文提出了一个全面探索高位面分辨率信息并弥补低位面分辨率的 Inter-Intra-slice Interpolation Network（I^3Net），通过在线的跨视图模块利用三个视图的信息，相比其他方法在超分辨率、视频帧插值和切片插值方面实现了明显的改进。

    May, 2024

  • 一种自监督任意尺度各向异性 MRI 超分辨率框架

    该论文提出了一种高效的自监督任意尺度超分辨率方法来重建等体磁共振图像，并在医学脑部图像收集方面具有实际意义。

    May, 2023