All-In-One Medical Image Restoration via Task-Adaptive Routing

虽然单一任务的医学图像修复 (MedIR) 取得了显著的成功，但这些方法的有限通用性对更广泛的应用构成了重大障碍。在本文中，我们关注于全能医学图像修复任务，旨在使用单个通用模型解决多个不同的 MedIR 任务。然而，由于不同 MedIR 任务之间存在显著差异，训练通用模型经常遇到任务干扰问题，其中具有共享参数的不同任务可能会在梯度更新方向上相互冲突。这种任务干扰会导致模型更新方向偏离最优路径，从而影响模型的性能。为了解决这个问题，我们提出了一种任务自适应路由策略，允许冲突任务在空间和通道维度上选择不同的网络路径，从而减轻任务干扰。实验结果表明，我们提出的全能医学图像修复 (AMIR) 网络在三个 MedIR 任务中（MRI 超分辨率、CT 去噪和 PET 合成）单任务和全能任务设置下均取得了最先进的性能。代码和数据将在 \href{https://github.com/Yaziwel/All-In-One-Medical-Image-Restoration-via-Task-Adaptive-Routing.git}{https://github.com/Yaziwel/AMIR} 上提供。

提出一种解决多种医学图像修复任务的通用模型，并解决不同任务之间的干扰问题。

提出任务自适应路由策略，允许不同任务在空间和通道维度上选择不同的网络路径，从而减轻任务干扰。

实验结果表明，所提出的AMIR网络在MRI超分辨率、CT去噪和PET合成等三种医学图像修复任务中均取得了最先进的性能，无论是在单任务还是多任务设置下。论文提供了代码和数据集。

最近的相关研究包括：1. 'Deep learning for medical image analysis: A review'；2. 'Multi-task learning for medical image segmentation using deep convolutional neural network'；3. 'All-in-one network for segmentation, detection, and diagnosis of gastric cancer in endoscopic images'.