论在基于学习的图像去噪中引入任务信息的影响
图像与视频处理
2022-11-28 v1 信号处理
摘要
已提出多种基于深度神经网络（DNN）的医学图像去噪方法。这些方法通常通过最小化损失函数进行训练，该损失函数量化去噪图像或其变换版本与定义的目标图像（例如无噪声或低噪声图像）之间的距离。它们在均方根误差（RMSE）、结构相似性指数测度（SSIM）或峰值信噪比（PSNR）等传统图像质量指标方面表现出高性能。然而，最近有报道称此类去噪方法可能并不总能改善图像质量的客观度量。本工作中，建立并系统评估了一种任务驱动的基于 DNN 的图像去噪方法。采用了一种迁移学习方法，其中 DNN 首先使用常规（非任务驱动）损失函数进行预训练，随后通过使用包含任务分量的混合损失进行微调。该任务分量被设计用于度量数值观察者（NO）在信号检测任务上的性能。探讨了网络深度以及将微调约束于 DNN 特定层的影响。该任务驱动训练方法在一种简化的低剂量 X 射线计算机断层扫描（CT）去噪研究中进行了研究，其中考虑了信号已知统计（SKS）且背景已知统计（BKS）条件下的二值信号检测任务。还研究了在推理时将指定任务更改为不同于模型训练所用任务（我们称之为“任务偏移”现象）的影响。所呈现的结果表明，任务驱动训练方法能够改善观察者性能，同时提供对传统与基于任务的图像质量度量之间权衡的控制。
引用
@article{arxiv.2211.13303,
title = {On the impact of incorporating task-information in learning-based image denoising},
author = {Kaiyan Li and Hua Li and Mark A. Anastasio},
journal= {arXiv preprint arXiv:2211.13303},
year = {2022}
}