用于超声去噪与细粒度精修的互补全局与局部知识网络
计算机视觉与模式识别
2023-10-06 v1 图像与视频处理
摘要
超声成像作为一种有效且非侵入性的诊断工具，常用于临床检查。然而，超声图像中散斑噪声的存在不可避免地降低图像质量，阻碍分割与分类等后续任务的表现。现有散斑噪声抑制方法常导致过度图像平滑或无法充分保留细节信息。本文中，我们提出一种用于超声去噪与细粒度精修的互补全局与局部知识网络。首先，所提架构采用 L-CSwinTransformer 作为编码器捕获全局信息，并引入 CNN 作为解码器融合局部特征。相较于原始 CSwinTransformer，我们在不同阶段扩展特征分辨率以提取更多全局信息。随后，我们在跳跃连接阶段集成细粒度精修块（FRB）以进一步增强特征。我们在 HC18 与 BUSI 两个公开数据集上验证模型。实验结果表明，我们的模型在量化指标与视觉表现上均取得具竞争力的性能。我们的代码将发布于 https://github.com/AAlkaid/USDenoising。
引用
@article{arxiv.2310.03402,
title = {A Complementary Global and Local Knowledge Network for Ultrasound denoising with Fine-grained Refinement},
author = {Zhenyu Bu and Kai-Ni Wang and Fuxing Zhao and Shengxiao Li and Guang-Quan Zhou},
journal= {arXiv preprint arXiv:2310.03402},
year = {2023}
}
备注
Submitted to ICASSP 2024