用于从噪声图像数据建立随机物体模型的环境去噪扩散生成对抗网络
计算机视觉与模式识别
2025-02-25 v2 图像与视频处理
摘要
人们普遍认为，医学成像系统应通过基于任务的图像质量（IQ）指标进行客观评估，这些指标理想地应考虑到测量图像数据中所有的随机性来源，包括待成像物体集合的变异。能够从物体分布中随机抽取样本的随机物体模型（SOMs）可用于表征物体的变异性。为了建立用于基于任务的 IQ 分析的真实 SOMs，采用实验图像数据是理想的选择。然而，从医学成像系统获取的实验图像数据会受到测量噪声的影响。先前的工作研究了采用增强型生成对抗网络（GAN），即 AmbientGAN，从噪声测量图像数据中建立 SOMs 的深度生成模型（DGMs）的能力。最近，去噪扩散模型（DDMs）已成为图像合成的领先 DGM，并且能够产生优于 GANs 的图像质量。然而，由于去噪步骤中的高斯假设，原始 DDMs 的图像生成过程缓慢。最近，去噪扩散 GAN（DDGAN）被提出，它允许快速生成图像，同时保持与原始 DDMs 相当的高生成图像质量。在本工作中，我们提出了一种增强的 DDGAN 架构，即环境 DDGAN（ADDGAN），用于从噪声图像数据中学习 SOMs。我们开展了考虑临床计算机断层扫描（CT）图像和数字乳腺断层合成（DBT）图像的数值研究。结果证明了所提出的 ADDGAN 从噪声图像数据中学习真实 SOMs 的能力。研究表明，ADDGAN 在合成具有复杂纹理的高分辨率医学图像方面显著优于先进的 AmbientGAN 模型。
引用
@article{arxiv.2501.19094,
title = {Ambient Denoising Diffusion Generative Adversarial Networks for Establishing Stochastic Object Models from Noisy Image Data},
author = {Xichen Xu and Wentao Chen and Weimin Zhou},
journal= {arXiv preprint arXiv:2501.19094},
year = {2025}
}
备注
SPIE Medical Imaging 2025