基于自监督深度学习的射线与层析多通道成像中的散粒噪声抑制
计算机视觉与模式识别
2023-03-28 v1
摘要
噪声是射线成像和层析成像技术中的一个重要问题。在附加约束迫使每幅图像信噪比(SNR)大幅降低的应用中,它变得尤为关键。这些约束可能源于最大可用通量或允许剂量的限制以及对曝光时间的关联限制。通常,以高每幅图像SNR为代价,换取将给定总曝光容量按像素分配至多个通道的能力,从而通过相同总曝光时间获得关于物体的额外信息。这些可以是光谱成像情形下的能量通道,或时间分辨成像情形下的时间通道。在本文中,我们报告了一种改善噪声多通道(时间或能量分辨)成像数据集质量的方法。该方法依赖于近期的Noise2Noise (N2N)自监督去噪方法,其无需访问无噪声数据即可学习预测无噪声信号。N2N进而需要从共享相同信号但暴露于不同随机噪声样本的数据分布中抽取样本对。若相邻通道共享足够信息以提供信息足够相似但噪声独立的图像,则该方法是适用的。我们展示了若干代表性案例研究,即光谱(k-edge)X射线层析、体内X射线电影射线成像和能量色散(Bragg边)中子层析。在所有案例中,N2N方法均显示出显著改善并优于常规去噪方法。对于此类成像技术,该方法因此可显著改善图像质量,或以进一步降低的每幅图像曝光时间维持图像质量。
引用
@article{arxiv.2303.14429,
title = {Shot Noise Reduction in Radiographic and Tomographic Multi-Channel Imaging with Self-Supervised Deep Learning},
author = {Yaroslav Zharov and Evelina Ametova and Rebecca Spiecker and Tilo Baumbach and Genoveva Burca and Vincent Heuveline},
journal= {arXiv preprint arXiv:2303.14429},
year = {2023}
}
备注
To be submitted to Optics Express