用于多模态医学图像的基于自引导噪声注意力的两阶段深度去噪
图像与视频处理
2025-03-11 v1 计算机视觉与模式识别
摘要
医学图像去噪被认为是最具挑战性的视觉任务之一。尽管具有现实意义，但现有的去噪方法存在明显缺陷，因为它们在应用于异构医学图像时通常会产生视觉伪影。本研究通过一种人工智能（AI）驱动的两阶段学习策略解决了当代去噪方法的这一局限性。所提出的方法学习从含噪图像中估计残差噪声。随后，该方法引入了一种新颖的噪声注意力机制，将估计的残差噪声与含噪输入相关联，以由粗到精的方式进行去噪。本研究还提出利用多模态学习策略，以在医学图像模态和多种噪声模式之间泛化去噪效果，从而实现广泛应用。通过密集的实验评估了所提方法的实用性。实验结果表明，所提方法在定量和定性比较中显著优于现有的医学图像去噪方法，达到了 SOTA 性能。总体而言，它在 Peak Signal-to-Noise Ratio (PSNR) 上提升了 7.64，在 Structural Similarity Index (SSIM) 上提升了 0.1021，在 DeltaE () 上提升了 0.80，在 Visual Information Fidelity Pixel-wise (VIFP) 上提升了 0.1855，在 Mean Squared Error (MSE) 指标上提升了 18.54。
引用
@article{arxiv.2503.06827,
title = {Two-stage Deep Denoising with Self-guided Noise Attention for Multimodal Medical Images},
author = {S M A Sharif and Rizwan Ali Naqvi and Woong-Kee Loh},
journal= {arXiv preprint arXiv:2503.06827},
year = {2025}
}
备注
IEEE Transactions on Radiation and Plasma Medical Sciences (2024)