VascuSR：面向CT超分辨的迭代解剖感知扩散框架
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
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。
研究者提出VascuSR，一种迭代解剖感知扩散框架，用于CT图像超分辨率。该方法用显式3D血管表示提供跨切片的结构引导，由轻量3D生成细化器专注血管结构，再通过轻量解剖控制器把细化后的结构注入扩散解码器，并借助迭代反馈用新生成的超分体更新引导。在重新标注的MSD Task08与HVM数据集上，VascuSR在分割精度（Dice、clDice）和3D血管结构指标（连通性、平均中心线距离）上优于插值和学习型超分基线，图像质量与所用超分骨干相当。相比学习型基线，两个数据集上类别平均连通分量数减少超过20%，MSD上平均中心线距离减少超过10%。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
CT图像在严重降采样后，生成式超分虽能恢复锐利细节，但缺失的高频内容并不由低分辨率输入唯一决定。因此视觉上合理的重建可能包含解剖上不成立的血管细节，例如血管缺失、虚假出现或连接错误。VascuSR针对的正是这一不确定性：仅靠图像层面的生成，无法保证血管拓扑正确。
方法构成
该框架把图像重建与显式3D血管引导结合起来。首先使用显式3D血管表示，捕捉超出单张切片的结构信息，这种表示也让血管细化更简单，使一个轻量3D生成细化器可以专注血管结构而非复杂的CT外观。其次，为引导逐切片超分，一个轻量解剖控制器把细化后的结构注入扩散解码器，同时迭代反馈会从每个新生成的超分体更新这一引导。
评测结果
在重新标注的MSD Task08与HVM数据集上，VascuSR在分割准确率（Dice和clDice）以及3D血管结构（连通性和平均中心线距离）方面超过插值和学习型超分基线，同时图像质量与所用超分骨干相当。与学习型基线相比，它在两个数据集上把类别平均连通分量数降低超过20%，在MSD上把平均中心线距离降低超过10%。
为什么值得看
医学CT超分容易生成解剖上不成立的血管细节，该工作用3D血管引导约束生成，并给出连通性等量化改善。
数据集
信源1 家
关键事实
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。