隐式神经表示在医学影像领域的应用进展

隐式神经表示在医学影像领域的应用进展

近年来,隐式神经表示(Implicit Neural Representation, INR)技术在医学影像领域取得了显著进展。这种技术通过神经网络将连续函数映射到图像信号,为医学影像处理带来了新的可能。本文将全面综述INR在医学影像中的应用现状,探讨其优势、挑战及未来发展方向。

1. INR技术简介

隐式神经表示是一种将连续信号(如3D空间坐标)映射到输出值(如像素强度)的神经网络模型。与传统的离散表示方法不同,INR可以表示任意分辨率的连续信号,具有内存效率高、分辨率无关等优势。

在医学影像领域,INR主要应用于以下几个方面:

• 图像重建:从稀疏或低质量的输入重建高质量医学图像
• 图像分割:对器官、病变等目标进行精确分割
• 图像配准:实现不同模态或时序图像的对齐
• 神经渲染:从有限视图合成新视角的图像
• 图像压缩:高效压缩和存储大规模医学数据

2. 图像重建

INR在医学图像重建中展现出巨大潜力,尤其是在处理稀疏采样或低剂量成像等场景时。

2.1 CT重建

在CT重建方面,INR可以从有限视图或稀疏采样数据中重建高质量图像。例如,Reed等人[1]提出了一种动态CT重建方法,结合INR和参数化运动场,可以从有限视图估计演化的3D对象。Wu等人[2]提出了自监督坐标投影网络(SCOPE),用于稀疏视图CT重建,取得了优于传统方法的效果。

此外,INR还被应用于金属伪影消除[3]、条纹伪影消除[4]等CT图像质量提升任务。这些方法利用INR的连续表示能力,可以更好地捕捉图像细节,提高重建质量。

2.2 MRI重建

在MRI重建领域,INR同样显示出独特优势。Wu等人[5]提出了IREM方法,利用INR实现高分辨率MRI重建。该方法可以从低分辨率输入重建任意分辨率的MRI图像,克服了传统方法的分辨率限制。

Xu等人[6]提出了NeSVoR方法,将INR应用于MRI切片到体积重建任务。该方法可以从任意方向的2D切片重建连续的3D体积,为胎儿MRI等场景提供了新的解决方案。

此外,INR还被用于动态MRI重建[7]、并行MRI重建[8]、多对比度MRI超分辨率[9]等任务,显著提升了MRI图像质量和分辨率。

2.3 超声重建

在超声成像领域,INR为3D重建带来了新的思路。Yeung等人[10]提出了ImplicitVol方法,利用INR从无传感器的2D超声序列重建3D体积。该方法不需要位置跟踪,可以直接从图像内容学习3D表示。

Gu等人[11]提出了一种基于神经场的3D超声表示方法,可以从稀疏的2D切片重建连续的3D体积。这种方法克服了传统体素网格表示的限制,实现了更高效的3D超声重建。

2.4 其他模态

除CT、MRI和超声外,INR还被应用于光学断层成像[12]、显微镜成像[13]等其他医学成像模态的重建任务。这些工作展示了INR在各类医学成像重建中的普适性和潜力。

3. 图像分割

INR为医学图像分割任务带来了新的视角和方法。与传统的基于体素的分割方法不同,INR可以学习连续的分割函数,实现任意分辨率的精确分割。

Khan等人[14]提出了隐式器官分割网络(IOSNet),将INR应用于3D器官分割任务。该方法可以准确分割不同大小的器官,克服了传统方法的尺度不平衡问题。实验结果表明,IOSNet在多个器官分割任务上优于UNet等经典方法。

Yang等人[15]提出了ImplicitAtlas方法,将INR与可变形模板相结合,用于学习医学图像中的形状先验。该方法可以同时学习群体级和个体级的形状变化,为多器官分割和形状分析提供了新的思路。

此外,INR还被应用于脑结构分割[16]、血管分割[17]、边界精细化[18]等多种分割任务,展现出优秀的性能和灵活性。

4. 图像配准

INR为医学图像配准任务提供了新的连续表示方法,有助于实现更精确和灵活的配准。

Sun等人[19]提出了一种基于神经微分流的拓扑保持形状重建和配准方法。该方法利用INR表示连续的变形场,可以在保持拓扑结构的同时实现精确配准。

Han等人[20]进一步提出了混合神经微分流方法,结合显式和隐式表示,实现了更高效和准确的形状表示与生成。这种方法在医学图像配准和形状分析中展现出良好的应用前景。

此外,INR还被应用于4D动态图像配准[21]、多模态图像配准[22]等任务,为医学图像配准领域带来了新的解决方案。

5. 神经渲染

INR在医学图像神经渲染领域也取得了重要进展,尤其是在有限视图重建和新视角合成方面。

Reed等人[1]的动态CT重建方法可以看作一种神经渲染技术,能够从有限视图合成任意时间点和视角的CT图像。这种方法为低剂量CT成像提供了新的可能。

Chen等人[23]提出了CuNeRF方法,将神经辐射场技术应用于医学图像任意尺度超分辨率任务。该方法可以在零样本设置下实现高质量的跨尺度重建,为医学图像分析提供了更多细节信息。

在手术场景重建方面,INR也展现出独特优势。Velikova等人[24]提出了一种基于INR的呼吸补偿体积重建方法,可以从机器人超声扫描数据中重建连续的3D血管结构,为导航手术等应用提供了新的解决方案。

6. 图像压缩

INR的连续表示特性使其在医学图像压缩方面具有潜在优势。与传统的基于离散表示的压缩方法不同,INR可以用少量网络参数表示高分辨率图像,实现高效压缩。

虽然目前专门针对医学图像压缩的INR研究还较少,但一些通用的INR压缩方法[25][26]已经在自然图像上展现出优秀性能。这些方法有望在医学图像压缩中发挥作用,尤其是对于大规模3D/4D医学数据的存储和传输。

7. 挑战与展望

尽管INR在医学影像领域取得了显著进展,但仍面临一些挑战:

1. 推理效率:INR需要多次前向传播才能重建完整图像,推理速度较慢。如何提高INR的推理效率是一个重要问题。

2. 可解释性:INR的黑盒特性使其结果难以解释,如何提高INR的可解释性对于医学应用至关重要。

3. 泛化能力:当前的INR方法大多针对特定任务优化,如何提高INR的跨任务和跨域泛化能力值得研究。

4. 与先验知识结合:如何更好地将解剖学先验等领域知识融入INR模型是一个重要方向。

5. 临床验证:INR方法在临床应用中的有效性和安全性还需要更多验证。

未来,INR技术在医学影像领域可能有以下发展方向:

1. 多模态融合:利用INR的连续表示特性,实现不同成像模态的无缝融合。

2. 个性化医学:结合患者特异性信息,构建个性化的INR模型。

3. 实时交互系统:提高INR的推理效率,实现实时的医学图像处理和可视化。

4. 与其他先进技术结合:如将INR与联邦学习、元学习等技术结合,提高模型的泛化能力和隐私保护能力。

5. 大规模预训练模型:构建涵盖多种成像模态和任务的通用INR预训练模型。

8. 结论

隐式神经表示技术为医学影像处理带来了新的范式,在图像重建、分割、配准、渲染等多个任务中展现出独特优势。尽管仍面临一些挑战,但INR有望成为推动医学影像技术进步的重要力量。未来,随着算法的不断改进和与其他技术的深度融合,INR将为精准医疗、智能诊断等领域提供强有力的技术支持。

参考文献

[1] Reed, A. W., Kim, H., Anirudh, R., Mohan, K. A., Champley, K., Kang, J., ... & Jayasuriya, S. (2021). Dynamic CT reconstruction from limited views with implicit neural representations and parametric motion fields. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 764-773).

[2] Wu, Q., Feng, R., Wei, H., Yu, J., & Zhang, Y. (2022). Self-supervised coordinate projection network for sparse-view computed tomography. IEEE Transactions on Computational Imaging, 9, 565-579.

[3] Wu, Q., Chen, L., Wang, C., Wei, H., Zhou, S. K., Yu, J., & Zhang, Y. (2023). Unsupervised polychromatic neural representation for CT metal artifact reduction. arXiv preprint arXiv:2306.15203.

[4] Kim, B., Shim, H., & Baek, J. (2022, April). Streak artifacts reduction algorithm using an implicit neural representation in sparse-view CT. In Medical Imaging 2022: Physics of Medical Imaging (Vol. 12031, pp. 120312N). SPIE.

[5] Wu, Q., Li, Y., Xu, L., Feng, R., Wei, H., Yang, Q., ... & Zhang, Y. (2021). IREM: High-resolution magnetic resonance (MR) image reconstruction via implicit neural representation. arXiv preprint arXiv:2106.15097.

[6] Xu, J., Moyer, D., Gagoski, B., Iglesias, J. E., Grant, P. E., Golland, P., & Adalsteinsson, E. (2022). NeSVoR: Implicit neural representation for slice-to-volume reconstruction in MRI. IEEE Transactions on Medical Imaging, 41(12), 3628-3640.

[7] Feng, J., Feng, R., Wu, Q., Zhang, Z., Zhang, Y., & Wei, H. (2022). Spatiotemporal implicit neural representation for unsupervised dynamic MRI reconstruction. arXiv preprint arXiv:2212.14823.

[8] Feng, R., Wu, Q., Zhang, Y., & Wei, H. (2022). A scan-specific unsupervised method for parallel MRI reconstruction via implicit neural representation. arXiv preprint arXiv:2210.10439.

[9] McGinnis, J., Shit, S., Li, H. B., Sideri-Lampretsa, V., Graf, R., Dannecker, M., ... & Wiestler, B. (2023). Multi-contrast MRI super-resolution via implicit neural representations. In Medical Image Computing and Computer Assisted Intervention–MICCAI 2023: 26th International Conference, Vancouver, BC, Canada, October 8–12, 2023, Proceedings, Part VI (pp. 175-185). Cham: Springer Nature Switzerland.

[10] Yeung, P. H., Hesse, L., Aliasi, M., Haak, M., the INTERGROWTH-21st Consortium, Xie, W., & Namburete, A. I. (2021). ImplicitVol: Sensorless 3D ultrasound reconstruction with deep implicit representation. arXiv preprint arXiv:2109.12108.

[11] Gu, A. N., Abolmaesumi, P., Luong, C., & Yi, K. M. (2022). Representing 3D ultrasound with neural fields. In Medical Imaging with Deep Learning. PMLR.