一种用于医学图像去噪的无监督深度学习框架
图像与视频处理
2021-03-12 v1 计算机视觉与模式识别
机器学习
摘要
医学图像采集常受到无用噪声的干扰，从而破坏信息内容。本文介绍了一种无监督医学图像去噪技术，该技术从可用图像中学习噪声特征并构建去噪图像。它包含两块数据处理部分，即间接学习噪声的基于块字典和直接学习噪声的残差学习(RL)。该模型推广到可处理 2D 和 3D 图像，并考虑不同的医学成像设备。将 MRI/CT 图像栈中的图像逐一考虑以及将整个栈考虑，并分解为重叠的图像/体块。这些块被送入基于块字典学习以通过稀疏表示学习噪声特征，同时送入 RL 部分以直接学习噪声属性。使用用于稀疏表示的 K-奇异值分解(K-SVD)算法训练基于块的字典。另一方面，块中的残差使用所提出的深度残差网络进行训练。对这两部分进行迭代，捕获每个图像/体块的最优噪声表征，并进而从相应的可用图像/体块中减去。所获得的去噪图像/体块最终被组装为去噪图像或 3D 栈。我们提供了所提方法与其他方法的分析。在 MRI/CT 数据集上的实验在基于 GPU 的超级计算机上运行，对比结果表明所提算法保留了图像中的关键信息并提升了图像的视觉质量。
引用
@article{arxiv.2103.06575,
title = {An unsupervised deep learning framework for medical image denoising},
author = {Swati Rai and Jignesh S. Bhatt and S. K. Patra},
journal= {arXiv preprint arXiv:2103.06575},
year = {2021}
}
备注
22 pages, 7 figures, 4 tables