基于金字塔自对比学习的测试时超声图像去噪框架
计算机视觉与模式识别
2026-05-14 v1 人工智能
摘要
超声图像中固有的电子噪声和斑噪声复杂化了临床诊断。传统去噪方法依赖显式的噪声假设，但在复合噪声条件下有效性下降。基于学习的方法需要大量标注数据和模型参数，这些预定义和预训练的方式在复杂体内环境中不可避免地出现领域迁移，仅限于特定噪声类型且常会模糊结构细节。本研究提出一种纯粹的测试时训练框架，用于实现单次超声图像去噪，并应用于合成孔径超声（SAU），后者从子孔径传输合成发射焦点。我们的 Aperture-to-Aperture（A2A）框架通过金字塔潜在空间中的自对比学习，将解剖相似性和噪声随机性从随机化的子孔径中分离。随后从解剖空间解码干净的图像，并丢弃噪声空间。A2A 在单个 SAU 信号的噪声样本上进行训练，从根本上消除了领域迁移和预训练成本。仿真实验包括电子噪声水平从 0 到 30 dB 以及不同包含几何形状，显示出 69.3% 的信噪比（SNR）提升和 34.4% 的对比度增益（CNR）。体内结果显示，在仅使用心脏六个超声心动图视图、肝脏和肾脏的两个孔径数据的情况下，A2A 实现了 84.8% 的 SNR 提升和 25.7% 的 CNR 提升。A2A 在多样化成像靶标和配置下提供清晰的图像/信号，为超声技术的更可靠解剖可视化和功能评估铺平了道路。
引用
@article{arxiv.2605.12567,
title = {Pyramid Self-contrastive Learning Framework for Test-time Ultrasound Image Denoising},
author = {Jiajing Zhang and Bingze Dai and Xi Zhang and Yue Xu and Wei-Ning Lee},
journal= {arXiv preprint arXiv:2605.12567},
year = {2026}
}