基于可靠病灶语义驱动先验的轻量级医学图像恢复方法
图像与视频处理
2025-07-09 v2 计算机视觉与模式识别
摘要
医学图像恢复任务旨在从退化观察中恢复高质量图像，此类任务在许多临床场景中展现出迫切需求，例如低剂量CT图像去噪、MRI超分辨率和MRI伪影消除。尽管现有基于深度学习的恢复方法在复杂模块方面取得了显著成果，但它们在渲染计算效率高的重建结果方面仍面临挑战。此外，这些方法通常忽视恢复结果的可靠性，而在医疗系统中，这种可靠性更为迫切。为缓解这些问题，本文提出了LRformer，这是一种基于可靠性引导的频域轻量级Transformer方法。具体而言，灵感来自贝叶斯神经网络（BNN）中的不确定性量化，我们开发了可靠病灶语义先验生产者（RLPP）。RLPP利用蒙特卡罗（MC）估计器配合随机抽样操作，通过对基础医学图像分割模型MedSAM进行多次推断来生成足够可靠的先验。此外，与直接在空间域中整合先验不同，本文通过快速傅里叶变换（FFT）将交叉注意（CA）机制分解为实对称和虚反对称部分，设计了引导频率交叉注意（GFCA）求解器。利用FFT的共轭对称性，GFCA将简单CA的计算复杂度降低了约一半。广泛的实验结果表明，所提出的LRformer在有效性和效率方面均优于现有方法。
引用
@article{arxiv.2504.11286,
title = {Lightweight Medical Image Restoration via Integrating Reliable Lesion-Semantic Driven Prior},
author = {Pengcheng Zheng and Kecheng Chen and Jiaxin Huang and Bohao Chen and Ju Liu and Yazhou Ren and Xiaorong Pu},
journal= {arXiv preprint arXiv:2504.11286},
year = {2025}
}