医学图像去噪深度学习架构比较研究：CNN-DAE、CADTra 与 DCMIEDNet
图像与视频处理
2025-08-26 v1 计算机视觉与模式识别
摘要
医学成像模态 inherently susceptible to noise contamination that degrades diagnostic utility and clinical assessment accuracy. 本文对三种最先进的深度学习架构进行了全面的比较评估，用于 MRI 脑部图像去噪：CNN-DAE、CADTra 和 DCMIEDNet。我们在多个高斯噪声强度（）下系统评估这些模型，使用 Figshare MRI 脑数据集。我们的实验结果表明，DCMIEDNet 在较低噪声水平下表现优异， 和 时分别达到 dB 和 dB 的 PSNR 值。然而，CADTra 在严重噪声条件下（）表现更为稳健，达到最高 PSNR dB。所有深度学习方法均显著优于传统小波方法，改进幅度在测试条件下达到 5-8 dB。本研究为医学图像去噪建立了定量基准，并为特定噪声强度下的架构优势提供了见解。
引用
@article{arxiv.2508.17223,
title = {Deep Learning Architectures for Medical Image Denoising: A Comparative Study of CNN-DAE, CADTra, and DCMIEDNet},
author = {Asadullah Bin Rahman and Masud Ibn Afjal and Md. Abdulla Al Mamun},
journal= {arXiv preprint arXiv:2508.17223},
year = {2025}
}