隐含的神经表示用于医学图像重建
Yanjie Zhu1, Yuanyuan Liu1, Yihang Zhang1,2
1Paul C. Lauterbur Research Center for Biomedical Imaging, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, People's Republic of China.
Physics in medicine and biology
|June 2, 2025
概括
隐式神经表示 (INR) 通过不断建模信号,为医疗图像重建提供了一种新的解决方案,克服了需要大量数据的传统和深度学习方法的局限性. 这种方法提高了图像质量和细节捕获.
科学领域:
- 医疗成像医学成像
- 计算成像技术的成像
- 人工智能的人工智能
背景情况:
- 医学图像重建是一个错误的反向问题,需要从有限的数据中获得高质量的图像.
- 传统方法使用规范化术语,而深度学习需要大型数据集,而这些数据在医学成像中很少.
- 隐式神经表示 (INR) 提供了使用空间坐标的连续,灵活的图像表示.
研究的目的:
- 审查用于医学图像重建的隐性神经表示 (INR) 技术.
- 突出INR在医学成像中的日益增长的影响和好处.
- 讨论INR在这个领域的优势,局限性和未来方向.
主要方法:
- 审查关于基于INR的医学图像重建的现有文献.
- 在图像和测量领域分析INR的应用.
- 评估INR在捕捉细节和复杂结构方面的有效性.
主要成果:
- INR提供了医疗图像的灵活和连续的表示.
- 与离散方法相比,INR有效捕获细节和复杂结构.
- 在医疗图像重建中,INR显示出解决数据稀缺性挑战的前景.
结论:
- 隐式神经表示 (INR) 是用于医学图像重建的强大新兴技术.
- 与传统和监督深度学习方法相比,INR具有显著的优势,特别是在数据需求方面.
- 对INR的进一步研究有可能提高医学成像质量和应用.
