邻近切片 Noise2Noise：基于单个含噪图像体积的自监督医学图像去噪
图像与视频处理
2025-03-10 v3 计算机视觉与模式识别
摘要
近年来，随着深度学习技术的快速发展，基于卷积神经网络的有监督方法极大地提升了医学图像去噪的性能。然而，这些方法训练需要大量含噪-干净图像对，极大地限制了其实用性。尽管一些研究者尝试仅使用单个含噪图像训练去噪网络，但现有的自监督方法（包括基于盲点的方法和基于数据分割的方法）严重依赖噪声逐像素独立的假设。然而，这一假设在真实医学图像中往往不成立。因此，在医学成像领域，仍缺乏仅使用单个含噪图像即可实现高质量去噪性能的简单实用方法。本文提出了一种新颖的自监督医学图像去噪方法——邻近切片 Noise2Noise（NS-N2N）。该方法利用单个含噪图像体积内的邻近切片构建加权训练数据，然后利用区域一致性损失和切片间连续性损失，通过自监督方案训练去噪网络。NS-N2N 仅需一次医学成像过程获得的单个含噪图像体积，即可实现对该图像体积本身的高质量去噪。大量实验表明，该方法在去噪性能和处理效率上均优于最先进的自监督去噪方法。此外，由于 NS-N2N 仅在图像域中运行，它不受重建几何等设备特定问题的影响，更易于应用于各种临床实践。
引用
@article{arxiv.2411.10831,
title = {Neighboring Slice Noise2Noise: Self-Supervised Medical Image Denoising from Single Noisy Image Volume},
author = {Langrui Zhou and Ziteng Zhou and Xinyu Huang and Huiru Wang and Xiangyu Zhang and Guang Li},
journal= {arXiv preprint arXiv:2411.10831},
year = {2025}
}