I3Net:用于医疗切片合成的切片内部互插网络

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 像CT和MRI这样的医学成像技术通常会产生具有高在平面和低通过平面分辨率的异构数据,这是由于更厚的切片重建.
• 这种异构性限制了3D医学图像体积的质量和细节.

研究的目的:

• 为了解决异构医学成像数据的局限性.
• 提出一种新的深度学习网络,以提高医疗图像的透平分辨率.

主要方法:

• 开发了跨内切片间对应网络 (ISINet),利用轴切片间对应来提高通过平面分辨率.
• 整合了一个通过平面分支来补充有限分辨率数据,以及一个用于全球频域特征学习的平面分支.
• 引入了交叉视图块,以整合所有三种成像视图中的信息.

主要成果:

• ISINet在超分辨率,视频插入和切片插入方面显著超过了最先进的方法.
• 在MSD数据集上实现了43.90dB的峰值信号噪声比 (PSNR),在×2的上级系数下提高了1.14dB以上.
• 与现有方法相比,演示了更快的推断时间.

结论:

• 拟议的ISINet有效地弥补了异型医疗成像数据中通过平面的低分辨率.
• 从轴向视图对切片智能插入为这种数据类型提供了比传统超分辨率方法更大的好处.
• ISINet代表了医疗图像重建的重大进步,提供了更好的质量和效率.