ContiLNN：用 Liquid Neural Network 缓解切片采样不连续性的医学影像复原

问题

在复原低剂量 CT、低分辨率 MRI 和低计数 PET 影像时，相邻切片的解剖连续性是有用的信息。但 2D 模型逐张单独处理切片。3D 模型内存负担大。此外，当可用切片稀疏或间距不规则时，仅靠相邻切片的数量难以恰当反映上下文。

方法

在 2D 复原骨干网络（Restore-RWKV、DASMamba）的部分特征路径中加入 Bi-CfC（双向 closed-form continuous-time）模块。该模块沿切片顺序向前后两个方向传播隐藏状态。它将原始切片索引间距归一化后输入门控，因此无需数值 ODE 积分也能响应采样间距的变化。训练时同时使用三种损失：重建损失、使切片间一阶和二阶亮度差与高质量参考影像一致的一致性损失，以及使模型跟随冻结 2D 骨干网络预测的蒸馏损失。

结果

• 5 个随机种子的平均 PSNR 相比 Restore-RWKV，在 CT 去噪上高 0.1907dB，在 MRI 超分辨率上高 1.0176dB，在低计数 PET 复原上高 1.2482dB。三项任务的 RMSE 也都更低。
• 用连续切片训练时，在所有测试的采样条件下，其复原质量都高于参数量和计算量相近的 Bi-GRU。
• 在 7 张切片条件下的测量中，延迟比 Bi-GRU 低 52.8%，峰值 GPU 显存占用低 57.0%。
• 作者报告，在 PET 消融实验中，性能提升体现为按顺序传播的效果，而不仅仅是增加容量的效果。
• 采用混合间距训练（mixed-gap）后，两种算子在稀疏和不规则上下文中的性能都有所提升。但在不同指标和条件下没有一致的优劣。

局限

CT 结果是针对 1 名评估用患者的技术性结果。CT 的改善幅度（约 0.19dB）也小于 MRI 和 PET。在 mixed-gap 训练中，Bi-CfC 并不总是优于 Bi-GRU。评估以 PSNR、RMSE 等画质指标为主，对临床判读的影响不在已确认的范围内。骨干网络兼容性的验证也仅限 2 种。

意义

无需完整的 3D 模型，只需在现有 2D 复原模型上附加轻量模块即可利用切片间信息。可用于低剂量、缩短扫描时间的影像或仅剩部分切片的影像的后处理复原。在内存和延迟方面也具有优势。

关键术语

Liquid Neural Network

一种连续时间神经网络，其状态变化速度随输入而变化。适合处理观测间隔不规则的序列。

CfC(Closed-form Continuous-time)

用闭式表达式近似 Liquid 动力学的网络。它不反复对 ODE 进行数值积分，而是以时间间隔为输入直接计算下一个状态。

2.5D 复原

在 2D 截面处理中加入相邻切片信息的方式。是在 2D 模型效率与 3D 上下文之间的折中方案。

PSNR

以 dB 为单位表示复原影像与参考影像接近程度的画质指标，越高越好。

原文

• arXiv 摘要页
• PDF
• HTML 全文
• Hugging Face

作者: Jialei He, Enhe Liu, Sifan Song, Pengfei Jin, Jionglong Su, Hongbin Wang, Zhixiang Lu, Yanhao Huang, 等 · 发布 2026-10-08 · 许可 arXiv 비독점 배포 라이선스 · 基于全文分析

本解读是 AI 阅读论文后撰写的摘要，请以论文原文为准。