超高分辨率的生物医学成像通过无引用的统计隐性神经表征
Siqi Ye1, Liyue Shen2, Md Tauhidul Islam1
1Department of Radiation Oncology, Stanford University, Stanford, CA, 94305, United States of America.
Physics in medicine and biology
|September 27, 2023
概括
这项研究引入了一种新的无监督深度学习方法,用于生物医学图像超分辨率 (SR). 统计隐性神经表示 (INR) 框架从有限的低分辨率数据中生成高质量的SR图像,而不需要配对的示例.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 深度学习 (Deep Learning) 是一种深度学习.
- 图像处理 图像处理
背景情况:
- 图像超分辨率 (SR) 的监督深度学习面临生物医学成像方面的挑战,原因是培训的配对低分辨率 (LR) 和高分辨率 (HR) 图像稀缺.
- 现有的方法通常需要大量的数据集,这限制了它们在专门的医学成像场景中的适用性.
研究的目的:
- 开发一个无参考,无监督的深度学习框架,用于生成高质量的生物医学SR图像.
- 通过只使用单个或少数观察到的LR图像来解决监督SR方法的局限性.
主要方法:
- 提出了一个统计隐性神经表示 (INR) 框架,使用最大概率估计建模LR图像统计.
- 一个INR网络,一个以坐标为基础的多层感知器,被训练来表示潜伏的HR图像作为连续的空间函数.
- 该方法确保了功能流性,并支持SR成像的任意缩放.
主要成果:
- 该框架的有效性在各种生物医学成像模式上得到验证,包括CT,MRI,光显微镜和超声波.
- 通过使用有限的LR数据,在各种放大尺度 (2×,4×,8×) 实现了成功的SR图像生成.
- 拟议的统计INR方法证明了其对高质量的SR重建的潜力.
结论:
- 开发的无监督深度学习框架为缺乏HR参考数据的生物医学SR应用提供了重大进展.
- 这种无参考的统计INR方法为医学成像中的众多SR任务提供了可行的解决方案.
- 该方法克服了生物医学SR监督学习固有的数据限制.
