基于自监督学习的伪CT图像对CT去噪方法
图像与视频处理
2021-04-07 v1 计算机视觉与模式识别
摘要
近年来，能够在无需真实标签的情况下进行图像去噪的自监督学习方法已被提出。这些方法通过向图像添加随机或高斯噪声来生成低质量图像，然后训练模型进行去噪。理想情况下，若能通过自监督仅用少量训练样本生成高质量CT图像将大有裨益。然而，由于CT噪声的复杂性，CT去噪的性能通常受限。为解决该问题，我们提出了一种新颖的基于自监督学习的CT去噪方法。具体而言，我们利用可用的低剂量CT（LDCT）与正常剂量CT（NDCT）图像对，预训练能够从LDCT预测CT噪声的CT去噪模型和噪声模型。对于给定的测试LDCT，我们使用预训练的去噪和噪声模型生成伪LDCT与NDCT图像对，然后利用这些图像对更新去噪模型的参数以去除测试LDCT中的噪声。为生成逼真的伪LDCT，我们从单幅图像训练多个噪声模型，并利用噪声模型的集成来生成噪声。我们在2016年AAPM低剂量CT大挑战数据集上评估了我们的方法。所提出的集成噪声模型能够生成逼真的CT噪声，因此我们的方法显著提升了现有由监督与自监督学习训练的去噪模型的去噪性能。
引用
@article{arxiv.2104.02326,
title = {Self-Supervised Learning based CT Denoising using Pseudo-CT Image Pairs},
author = {Dongkyu Won and Euijin Jung and Sion An and Philip Chikontwe and Sang Hyun Park},
journal= {arXiv preprint arXiv:2104.02326},
year = {2021}
}