推动无监督学习在超声图像伪影去除中的极限
计算机视觉与模式识别
2020-06-29 v1 机器学习
图像与视频处理
机器学习
摘要
超声（US）成像是一种快速且无创的成像方式，广泛用于实时临床应用，无需担心辐射危害。不幸的是，它常因多种来源而视觉质量较差，例如散斑噪声、模糊、多线采集（MLA）、有限的射频通道、平面波成像情况下视角数量少等。处理这些问题的经典方法包括使用各种自适应滤波的影像域信号处理方法以及基于模型的方法。近来，深度学习方法已成功用于超声成像领域。然而，这些方法的局限之一是在许多实际应用中难以获得用于监督训练的配对高质量图像。在本文中，受近期使用最优传输驱动的 cycleGAN（OT-cycleGAN）的无监督学习理论启发，我们研究了无监督深度学习在无匹配参考数据的 US 伪影去除问题中的适用性。针对反卷积、散斑去除、有限数据伪影去除等多种任务的实验结果证实，我们的无监督学习方法在许多实际应用中提供了与监督学习相当的结果。
引用
@article{arxiv.2006.14773,
title = {Pushing the Limit of Unsupervised Learning for Ultrasound Image Artifact Removal},
author = {Shujaat Khan and Jaeyoung Huh and Jong Chul Ye},
journal= {arXiv preprint arXiv:2006.14773},
year = {2020}
}