CycleINR：任意尺度医学数据三维超分辨率的循环隐式神经表示
在医学3D数据领域，如CT和MRI图像，普遍的各向异性分辨率的特点是层内分辨率高，但层间分辨率低。相邻切片之间的分辨率降低带来了挑战，阻碍了最佳的观看体验，并阻碍了稳健的下游分析算法的发展。各种体积超分辨率算法旨在克服这些挑战，提高切片间分辨率和整体3D医学成像质量。然而，现有的方法面临着固有的挑战：1）通常针对特定的上采样因素量身定制，对不同的临床场景缺乏灵活性；2） 新生成的切片经常出现过度平滑、降低ffne细节和导致切片间不一致的问题。作为回应，提出了CycleINR，这是一种用于3D医学数据体积超分辨率的新型增强隐式神经表示模型。利用学习到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，从而消除了单独训练的需要。此外，通过局部注意机制增强了CycleINR中的网格采样，并通过整合循环一致性损失来减轻过度平滑。引入了一种新的度量方法，即逐层噪声水平不一致性（SNLI），用于定量评估层间噪声水平的不一致性。通过对内部数据集的图像质量评估和对医学分割迪卡侬肝肿瘤数据集的下游任务分析，证明了改进方法的有效性。
用于三维超分辨率的CycleINR框架的示意图，如图4-22所示。
图4-22 用于三维超分辨率的CycleINR框架的示意图
在图4-22中，（a）为所提出的CycleINR的元架构，（b）为局部注意机制（LAM）增强了INR模型，（c）为注意力增强的潜在码网格采样（ALCGS）过程。
