超低参数量去噪：计算机断层扫描中可训练的双侧滤波层
图像与视频处理
2022-09-30 v1 计算机视觉与模式识别
摘要
计算机断层扫描（CT）被广泛用作可视化具有鲜明骨-软组织对比度的三维结构的成像工具。然而，CT 分辨率与辐射剂量紧密纠缠，凸显了低剂量 CT 结合复杂去噪算法的重要性。大多数数据驱动的去噪技术基于深度神经网络，因此包含数十万可训练参数，使其难以理解且易出现预测失败。开发可理解且鲁棒、达到最先进性能的去噪算法有助于在保持数据完整性的同时最小化辐射剂量。本工作提出一个基于双侧滤波思想的开放源码 CT 去噪框架。我们提出一种可嵌入深度学习流水线、并通过计算指向其超参数及输入的梯度流以纯数据驱动方式优化的双侧滤波器。展示了在纯图像到图像流水线中以及跨不同域（如原始探测器数据与重建体积）使用可微反投影层的去噪。尽管每层滤波器仅使用三个空间参数和一个值域参数，所提出的去噪流水线仍可与具有数十万参数的深度最先进去噪架构相竞争。在 X 射线显微镜骨数据（0.7053 和 33.10）和 2016 低剂量 CT 大挑战数据集（0.9674 和 43.07）上，就 SSIM 和 PSNR 而言取得了具竞争力的去噪性能。由于具有定义明确的效应的极低可训练参数数量，所提流水线在任何时刻都保证预测可靠性和数据完整性，这与大多数其他基于深度学习的去噪架构形成对比。
引用
@article{arxiv.2201.10345,
title = {Ultra Low-Parameter Denoising: Trainable Bilateral Filter Layers in Computed Tomography},
author = {Fabian Wagner and Mareike Thies and Mingxuan Gu and Yixing Huang and Sabrina Pechmann and Mayank Patwari and Stefan Ploner and Oliver Aust and Stefan Uderhardt and Georg Schett and Silke Christiansen and Andreas Maier},
journal= {arXiv preprint arXiv:2201.10345},
year = {2022}
}