用于医学图像去噪的对抗失真学习
图像与视频处理
2024-03-13 v2 计算机视觉与模式识别
摘要
我们提出一种新颖的对抗失真学习（ADL）用于对二维和三维（2D/3D）生物医学图像数据进行去噪。所提 ADL 由两个自编码器组成：一个去噪器与一个判别器。去噪器从输入数据中去除噪声，判别器将去噪结果与无噪声对应数据进行比较。该过程重复进行，直到判别器无法区分去噪数据与参考。去噪器与判别器均构建于一种称为 Efficient-Unet 的所提自编码器之上。Efficient-Unet 具有轻量架构，在主干中使用残差块与一种新颖的金字塔方法以高效提取并复用特征图。训练期间，纹理信息与对比度由两种新颖损失函数控制。Efficient-Unet 的架构允许所提方法泛化至任意类型的生物医学数据。我们网络的 2D 版本在 ImageNet 上训练，并在分布与 ImageNet 完全不同的生物医学数据集上测试；因此无需重新训练。在磁共振成像（MRI）、皮肤镜、电子显微镜与 X 射线数据集上的实验结果表明，所提方法在每个基准上均取得最佳结果。我们的实现与预训练模型可在 https://github.com/mogvision/ADL 获取。
引用
@article{arxiv.2204.14100,
title = {Adversarial Distortion Learning for Medical Image Denoising},
author = {Morteza Ghahremani and Mohammad Khateri and Alejandra Sierra and Jussi Tohka},
journal= {arXiv preprint arXiv:2204.14100},
year = {2024}
}