Speckle2Speckle：无需干净数据的超声散斑滤波无监督学习
图像与视频处理
2022-08-02 v1 计算机视觉与模式识别
机器学习
摘要
在超声成像中，组织均匀区域的外观受散斑影响，这在某些应用中会使组织不规则的检测变得困难。为此，通常对图像施加散斑抑制滤波器。大多数传统滤波技术相当依赖人工设计，且常需针对当前硬件、成像方案与应用精细调参。另一方面，基于学习的技术受制于训练所需的目标图像（全监督技术情形），或需要狭窄且复杂的基于物理的散斑外观模型，而这些模型未必普遍适用。本工作提出一种无上述限制的基于深度学习的散斑去除方法。为此，我们利用真实超声仿真技术，可生成代表完全相同组织的多个独立散斑实现，从而得以应用适用于成对不同 corrupted 数据的图像重建技术。与另外两种最先进方法（非局部均值与优化贝叶斯非局部均值滤波器）相比，尽管仅在仿真上训练，我们的方法在定性比较与定量评估中表现更优，且速度快几个数量级。
引用
@article{arxiv.2208.00402,
title = {Speckle2Speckle: Unsupervised Learning of Ultrasound Speckle Filtering Without Clean Data},
author = {Rüdiger Göbl and Christoph Hennersperger and Nassir Navab},
journal= {arXiv preprint arXiv:2208.00402},
year = {2022}
}