CycleINR: Cycle Implicit Neural Representation for Arbitrary-Scale Volumetric Super-Resolution of Medical Data

在医学3D数据领域，如CT和MRI图像，流行的各向异性分辨率以高内部切片但降低了切片间分辨率为特征。相邻切片之间的降低分辨率带来了挑战，阻碍了最佳的观看体验和强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，现有方法面临固有的挑战：1）通常针对特定的上采样因子，缺乏对不同临床情况的灵活性；2）新生成的切片经常受到过度平滑的影响，降低了细节，导致切片间不一致。为此，本研究提出了CycleINR，一种新型增强的隐式神经表示模型，用于3D医学数据体积超分辨率。利用所学隐式函数的连续性，CycleINR模型可以实现任意上采样率的结果，无需单独训练。此外，我们通过集成循环一致性损失来增强CycleINR中的局部注意机制和减轻过度平滑。我们引入了一个新的度量标准，切片噪声级别不一致性（SNLI），以定量评估切片间噪声级别的不一致性。我们通过对内部数据集和医学分割十项全能肝肿瘤数据集的图像质量评估和下游任务分析，证明了我们方法的有效性。

解决医学3D数据中间层分辨率较低的问题，提高医学图像质量和下游分析算法的可靠性。

CycleINR是一种增强的隐式神经表示模型，可实现任意上采样率，消除了单独训练的需要，使用局部注意机制增强了网格采样，并通过集成循环一致性损失来缓解过度平滑的问题。

论文提出了一个新的评估指标Slice-wise Noise Level Inconsistency（SNLI）来评估医学图像中间层噪声水平的一致性。实验结果表明，CycleINR在自己的数据集和Medical Segmentation Decathlon数据集上都取得了优异的表现。

相关研究包括DeepResolve、EDSR、RCAN等。