病灶启发去噪网络：连接医学图像去噪与病灶检测
计算机视觉与模式识别
2021-04-20 v1 人工智能
摘要
深度学习在低质量医学图像去噪任务和病灶检测任务上分别取得了显著性能。然而，现有的低质量医学图像去噪方法与病灶检测任务相互脱节。直观上，去噪图像的质量会影响病灶检测精度，而后者又可用于影响去噪性能。为此，我们提出一种即插即用的医学图像去噪框架，称为病灶启发去噪网络（LIDnet），以协同提升去噪性能与去噪后医学图像的检测精度。具体而言，我们提出通过将下游检测任务的反馈插入现有去噪框架，联合学习一个多损失目标。不同于在整张特征图上计算感知损失，我们提出一种由病灶检测任务诱导的感兴趣区域（ROI）感知损失，以进一步连接这两个任务。为实现整体框架的更好优化，我们为 LIDnet 提出一种定制的协同训练策略。考虑到临床可用性与成像特性，我们使用三个低剂量 CT 图像数据集来评估所提 LIDnet 的有效性。实验表明，通过配备 LIDnet，基线方法的去噪与病灶检测性能均可显著提升。
引用
@article{arxiv.2104.08845,
title = {Lesion-Inspired Denoising Network: Connecting Medical Image Denoising and Lesion Detection},
author = {Kecheng Chen and Kun Long and Yazhou Ren and Jiayu Sun and Xiaorong Pu},
journal= {arXiv preprint arXiv:2104.08845},
year = {2021}
}