利用含模块化网络的 corrupted 图像进行自监督 Noise2noise 的低剂量 CT 去噪方法
图像与视频处理
2023-08-15 v1 计算机视觉与模式识别
摘要
深度学习是一种极具前景的低剂量计算机断层扫描（LDCT）图像去噪技术。然而，传统深度学习方法需要成对的含噪与干净数据集，这类数据往往难以获取。本文提出一种仅使用 LDCT 数据执行 LDCT 图像去噪的新方法，即无需常规剂量 CT（NDCT）。我们采用自监督 noise2noise 模型与 noisy-as-clean 策略相结合的方法。首先，我们对 LDCT 图像多次添加第二种且相似的噪声。注意，我们基于 noisy-as-clean 策略使用 LDCT 图像而非 NDCT 图像进行腐蚀。随后，仅使用二次腐蚀图像训练 noise2noise 模型。我们从若干共享参数的候选结构中选取模块化 U-Net 结构执行该任务，从而在不增加参数量的情况下增大感受野。在 Mayo LDCT 数据集上获得的实验结果表明，与最先进的深度学习方法相比，所提方法有效。开发代码已发布于 https://github.com/XYuan01/Self-supervised-Noise2Noise-for-LDCT。
引用
@article{arxiv.2308.06746,
title = {Self-supervised Noise2noise Method Utilizing Corrupted Images with a Modular Network for LDCT Denoising},
author = {Yuting Zhu and Qiang He and Yudong Yao and Yueyang Teng},
journal= {arXiv preprint arXiv:2308.06746},
year = {2023}
}