基于重复-重复的自监督噪声自适应MRI去噪
图像与视频处理
2025-12-03 v1
摘要
目的：本工作提出一种新型的自监督噪声自适应图像去噪框架，称为重复到重复（Repetition to Repetition，Rep2Rep）学习，用于低场（<1T）MRI应用。方法：Rep2Rep学习扩展了Noise2Noise框架，通过在两个重复的MRI获取上进行训练，一个重复作为输入，另一个作为目标，无需真实数据。它集成了噪声自适应训练，使去噪在不同噪声水平下具有推广性，并支持灵活的推断。我们在合成噪声脑MRI和0.55T前列腺MRI数据上评估了性能，并与受监督学习和蒙特卡洛斯坦不偏风险估计（MC-SURE）进行了比较。结果：在合成和0.55T MRI数据集上，Rep2Rep学习均优于MC-SURE。在合成脑数据上，它实现了与受监督学习相当的去噪质量，并尤其在保留结构细节和减少残余噪声方面超越MC-SURE。在0.55T前列腺MRI数据集上，读者研究显示，放射科医生更倾向于Rep2Rep去噪的2平均图像，而不是8平均噪声图像。Rep2Rep对训练和推断之间的噪声水平差异具有鲁健性，支持其实际应用。结论：Rep2Rep学习为低场MRI提供了有效的自监督去噪方法，利用常规获取的多重复数据。其噪声自适应性使其能够在无需干净参考图像的情况下适应不同信噪比 regime。这使得Rep2Rep学习成为改善低场MRI图像质量和扫描效率的有前景的工具。
关键词
引用
@article{arxiv.2504.17698,
title = {Self-Supervised Noise Adaptive MRI Denoising via Repetition to Repetition (Rep2Rep) Learning},
author = {Nikola Janjušević and Jingjia Chen and Luke Ginocchio and Mary Bruno and Yuhui Huang and Yao Wang and Hersh Chandarana and Li Feng},
journal= {arXiv preprint arXiv:2504.17698},
year = {2025}
}
备注
13 pages, 9 figures, 1 table, supplementary information at end of document