arXiv cs.AI· Jialei He, Enhe Liu, Sifan Song, Pengfei Jin, Jionglong Su, Hongbin Wang, Zhixiang Lu, Yanhao Huang, Anteng Cai, Zhengyong Jiang, Jiaman Ding, S. Kevin Zhou, Jinfeng Wang·· 9 天前AI 评分22
ContiLNN：用液态神经网络缓解切片采样不连续性的医学图像修复方法
ContiLNN: Mitigating Slice Sampling Discontinuity with Liquid Neural Networks for Medical Image Restoration
AI 导读
ContiLNN 通过双向闭式连续时间（Bi-CfC）模块为二维修复骨干网络加入跨切片建模，在保留平面内特征提取的同时，用切片索引间隔调制门控以应对采样变化，无需数值 ODE 积分。
正文 · AI 翻译
作者：Jialei He、Enhe Liu、Sifan Song、Pengfei Jin、Jionglong Su、Hongbin Wang、Zhixiang Lu、Yanhao Huang、Anteng Cai、Zhengyong Jiang、Jiaman Ding、S. Kevin Zhou、Jinfeng Wang
摘要：解剖连续性为医学图像恢复提供了补充信息，但其使用需要兼顾局部解剖结构和切片采样变化。我们提出 ContiLNN，它通过双向闭式连续时间（Bi-CfC）模块增强二维恢复主干网络以进行跨切片建模，同时保留平面内特征提取。切片索引间隔调制由局部特征和隐藏状态决定的门控，使传播能够响应采样变化，而无需数值 ODE 积分。参考引导一致性对齐一阶和二阶跨切片强度差异以保留解剖变化，而从冻结主干网络进行蒸馏有助于保持平面内保真度。在五个训练随机种子下，ContiLNN 在 CT 去噪、MRI 超分辨率和减计数 PET 恢复任务中，平均 PSNR 相比 Restore-RWKV 分别提升 0.1907、1.0176 和 1.2482 dB，且三项任务的 RMSE 均更低。CT 结果对一名留出患者具有描述性。PET 消融实验支持有序传播优于额外的逐点容量。在连续训练下，Bi-CfC 在所有测试采样条件下，以相近的参数量和算术成本实现了比 Bi-GRU 更高的保真度。匹配的七切片性能分析显示，相比 Bi-GRU，延迟降低 52.8%，峰值 GPU 内存使用降低 57.0%。混合间隔训练提升了两种算子在稀疏和不规则上下文中的性能，但在不同指标和上下文下没有统一的排名。使用更少训练患者和第二个主干的实验进一步支持了数据效率和主干兼容性。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.12337 [cs.CV] |
| （或使用 arXiv:2610.12337v1 [cs.CV] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.12337 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jinfeng Wang [查看电子邮件]
[v1]
2026年10月8日星期四 17:13:32 UTC（16,083 KB）
来源：arXiv cs.AI · arxiv.org