I$^3$Net: Inter-Intra-slice Interpolation Network for Medical Slice Synthesis

医学成像受采集时间和扫描设备的限制。使用更厚的切片重建的CT和MR体积是各向异性的，具有高面内分辨率和低面外分辨率。我们揭示了一个有趣的现象，由于数据的这种特性，从轴向视图进行逐层插值比从其他视图进行超分辨率处理更有益。基于这一观察结果，我们提出了一个Inter-Intra-slice Interpolation Network (I$^3$Net)，该网络充分利用高面内分辨率的信息并弥补低面外分辨率的不足。面内分支将特征转换为频域，并在全局上下文学习范式中强制实现所有频带的平等学习机会。我们还提出了一个跨视图块，以在线方式利用来自所有三个视图的信息。在两个公共数据集上进行的大量实验证明了I$^3$Net的有效性，并且在PSNR上明显优于最先进的超分辨率、视频帧插值和切片插值方法。我们在MSD数据集上实现了43.90dB的PSNR，在$\times$2的放大因子下至少提高了1.14dB，并且具有更快的推理速度。代码可在https://github.com/DeepMed-Lab-ECNU/Medical-Image-Reconstruction上找到。

论文旨在解决医学影像数据在获取时间和扫描设备方面的限制，提出了一种针对这种数据特点的插值方法，以提高图像的分辨率和质量。

论文提出了一种基于切片插值的Inter-Intra-slice Interpolation Network (I$^3$Net)方法，通过在高分辨率平面和低分辨率平面之间进行信息补充，实现对医学影像数据的重建和增强。

论文使用了两个公共数据集进行实验验证，证明了I$^3$Net方法的有效性，并且在PSNR和推理速度等方面优于目前的超分辨率、视频帧插值和切片插值方法。论文提出的跨视图块可以在线利用来自三个视图的信息。此外，论文还提供了开源代码。

近期在这个领域中，还有一些相关研究，例如“Learning-based Super-resolution for Medical Images: A Survey”和“Deep Learning-based Super-resolution in Medical Imaging: A Review”等。