May, 2024

I$^3$Net：医学切片综合的切片间内外插值网络

PDF
TL;DR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。
medical imaginginterpolation networksuper-resolutionct and mr volumesin-plane and through-plane resolution
发现论文，激发创造
  • MNet: 重新思考 2D/3D 网络在各向异性医学图像分割中的应用

    该论文提出了一种新的 Mesh 网络（MNet）用于平衡 2D / 3D 卷积神经网络中稀疏的层间信息和密集的层内信息，并在四个公共数据集上进行了综合实验，结果显示 MNet 具有优越性能。

    May, 2022

  • SAINT: 用于医学切片合成的空间感知插值网络

    本文介绍了一种面向医学切片综合的空间感知插值网络（SAINT）方法，它可以利用体积数据的体元间距信息提供所需的细节层次，并且允许实时确定上采样因子，相较于其他超分辨率方法，在医学切片综合质量方面表现更好。

    Jan, 2020

  • 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

    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。

    Apr, 2024

  • 自监督医疗 CT 合成的逐步跨视图相互蒸馏

    本文提出了一种基于自监督学习的医疗切片合成方法，通过不同视角下的学习和交互相互指导，从而实现在不需要中间切片的情况下增加切片间分辨率，经过大量量化和定性实验验证的结果表明，所提方法明显优于同类算法。

    Dec, 2021

  • 时空建模遭遇 3D 医学图像分析：Slice-Shift UNet 与多视图融合

    基于视频动作识别领域的灵感，我们提出了一种名为 Slice Shift UNet (SSH-UNet) 的新型二维模型，以 2D 卷积神经网络的复杂度编码三维特征，通过沿切片轴移动部分特征图重新融合被 2D 卷积忽视的第三个维度。在多模态腹部多器官分割（AMOS）和除颅骨外多图谱标记（BTCV）数据集中验证了我们方法的有效性，表明 SSH-UNet 在性能上与最先进的架构相媲美，且更高效。

    Jul, 2023

  • 磁共振图像的切片间超分辨率：预训练和自监督微调

    提出了一种自监督超分辨率 MR 图像的方法，通过预训练和微调模型，实现高质量的图像重建，可应用于临床医学领域。

    Jun, 2024

  • 切片网络

    医学图像中使用低频逼近来进行分割和变形拟合的概念未得到充分探索，本文提出了切片网络（Slicer Network）来利用这个特性，通过编码器和切片器的结合，引入了边缘保留的低频逼近以扩大网络的接受域，并在不同的医学图像应用中验证了其准确性和效率的提升。

    Jan, 2024

  • Slice3D: 多切片，揭示遮挡物，单视点 3D 重建

    我们介绍了多切片推理，这是一种新的单视图 3D 重建概念，挑战了多视图综合是单视图和 3D 之间最自然的桥梁的当前和普遍的观念。我们的关键观察是，通过物体切片来揭示被遮挡的结构比改变视角更有优势。具体而言，切片能够更好地揭示遮挡物，因为它可以在没有阻碍的情况下穿过任何遮挡物。在极限情况下，即使用无限多个切片，它能够揭示所有隐藏的物体部分。我们通过开发名为 Slice3D 的新方法来实现我们的想法，该方法首先从单个 RGB 图像预测多个切片图像，然后使用基于坐标的转换网络将这些切片集成到 3D 模型中以进行有符号距离预测。切片图像可以通过 U-Net 网络进行回归或生成。对于前者，我们通过注入可学习的切片指示器代码将每个解码图像指定到一个空间切片位置，而切片生成器是在输入通道上堆叠的切片图像的去噪扩散模型。我们进行了广泛的评估，与最先进的替代方法进行了比较，以展示我们方法在恢复复杂且严重遮挡的形状结构中的优越性，尤其是在存在歧义的情况下。所有 Slice3D 的结果都是由在单个 Nvidia A40 GPU 上训练的网络产生的，推理时间不到 20 秒。

    Dec, 2023

  • 一种具有切片内和切片间关注的灵活的 2.5D 医学图像分割方法

    CSA-Net 是一个灵活的 2.5D 分割模型，通过创新的 Cross-Slice Attention (CSA) 模块，能够处理任意数量切片的 2.5D 图像，以有效地捕捉 3D 空间信息，并利用自注意机制理解中心切片中像素之间的相关性。在三个 2.5D 分割任务中，CSA-Net 在多类别脑部 MRI 分割、二元前列腺 MRI 分割和多类别前列腺 MRI 分割中表现优异，超过了领先的 2D 和 2.5D 分割方法，展示了其有效性和优越性。

    Apr, 2024

  • SR4ZCT：自我监督的透平面 CT 图像任意分辨率和重叠区域增强

    我们提出了一种自我监督方法 SR4ZCT，通过模拟匹配原始切片图像的训练图像，准确建模了分辨率和不同切片之间的像素间距的关系，以处理任意分辨率和重叠组合的医学 CT 图像，提高了诊断准确度。

    May, 2024