ContiLNN：利用 Liquid Neural Networks 缓解医学图像恢复中的切片采样不连续性

解剖连续性为医学图像恢复提供了互补信息，但利用这种信息需要考虑局部解剖结构以及切片采样的变化。我们提出 ContiLNN，在保留平面内特征提取能力的同时，通过双向闭式连续时间（Bi-CfC）模块增强二维恢复骨干网络，以进行跨切片建模。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，而无需进行数值 ODE 积分。参考引导的一致性约束对齐跨切片强度的一阶和二阶差分，以保留解剖结构变化；从冻结骨干网络进行蒸馏则有助于保持平面内保真度。在五个训练随机种子下，相较于 Restore-RWKV，ContiLNN 在 CT 去噪、MRI 超分辨率和低计数 PET 恢复任务上的平均 PSNR 分别提升 0.1907、1.0176 和 1.2482 dB，且三个任务的 RMSE 均更低。CT 结果仅针对一名留出患者进行描述。PET 消融实验表明，有序传播带来的收益超越了额外逐点容量的作用。在连续采样训练条件下，在所有测试的采样条件中，Bi-CfC 相较于参数量和计算开销相近的 Bi-GRU 均实现了更高的保真度。匹配的七切片性能分析显示，与 Bi-GRU 相比，Bi-CfC 的延迟降低 52.8%，GPU 峰值显存占用降低 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，但不同指标和上下文下并不存在统一的优劣排序。使用更少训练患者以及第二个骨干网络进行的实验进一步支持了其数据效率和骨干网络兼容性。