ContiLNN 用液态神经网络缓解医学图像切片采样不连续
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载方法构成与设计取舍
ContiLNN 的思路是在现有二维医学图像复原骨干之外，补上跨切片方向的信息通路。具体做法是接入双向闭式连续时间（Bi-CfC）模块，让相邻切片之间的特征可以相互传播，而平面内的特征提取仍由原骨干承担。与常规做法不同的是，切片索引之间的间隔会参与调制门控，门控本身由局部特征和隐藏状态共同决定，因此当采样间隔发生变化时，传播行为会随之调整。论文强调这一过程不需要数值 ODE 积分，避免了求解微分方程带来的额外计算负担。除跨切片建模外，方法还包含两项辅助设计：参考引导一致性用于对齐一阶与二阶跨切片强度差，以保留解剖结构的变化；冻结骨干蒸馏则用于维持平面内的保真度，防止跨切片建模损害原有复原质量。
三项任务的量化结果
论文在 CT 去噪、MRI 超分辨率与低计数 PET 复原三类任务上做了对比，基线为 Restore-RWKV。跨五个训练种子统计，ContiLNN 的平均 PSNR 提升分别为 0.1907 dB、1.0176 dB 和 1.2482 dB，三项任务的 RMSE 也都更低。作者同时说明，CT 部分的结果来自一名留出患者，属于描述性结论，而非大规模验证。PET 方向的消融实验则用于说明有序传播带来的收益不只是增加了逐点容量。此外，在训练患者数量更少以及更换第二个骨干网络的实验中，方法仍表现出数据效率与骨干兼容性，说明其并非只适配单一网络结构。
与 Bi-GRU 的效率对比
论文将 Bi-CfC 与参数量、算术开销相近的 Bi-GRU 做了对照。在连续训练条件下，所有测试的采样情形中 Bi-CfC 的保真度都更高。在相同的七切片配置下，Bi-CfC 的延迟降低 52.8%，峰值 GPU 显存占用降低 57.0%。作者还测试了混合间隔训练：对两种算子而言，这种训练方式都能改善稀疏与不规则上下文下的表现，但不同指标与不同上下文之间并没有统一的排名，也就是说收益依场景而异。这些结果共同支撑了论文的核心主张，即在跨切片医学图像复原中，闭式连续时间模块在精度与推理开销上都具备相对优势。
为什么值得看
给出跨切片建模的新做法，并附与 Bi-GRU 的延迟、显存与保真度对比，医学图像复原方向可直接参考。
信源1 家
关键事实
ContiLNN 在二维复原骨干上加入双向闭式连续时间（Bi-CfC）模块进行跨切片建模，保留平面内特征提取[1]
切片索引间隔调制由局部特征与隐藏状态决定的门控，传播可响应采样变化且无需数值 ODE 积分[1]
在五个训练种子下，CT 去噪、MRI 超分、低计数 PET 复原的平均 PSNR 相比 Restore-RWKV 分别提升 0.1907、1.0176、1.2482 dB，三项任务 RMSE 均更低[1]
在相同七切片配置下，Bi-CfC 相比参数量与算术开销相近的 Bi-GRU 延迟低 52.8%、峰值 GPU 显存低 57.0%[1]
CT 结果仅来自一名留出患者，属描述性；混合间隔训练对两种算子在稀疏与不规则上下文下均有改善，但各指标与场景排名不一致[1]
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。