超声图像标注去除：一种自监督 Noise2Noise 方法
图像与视频处理
2023-07-11 v1 计算机视觉与模式识别
摘要
准确标注的超声图像是高质量医疗报告的重要组成部分。医院通常对影像结果上应出现的标注类型有严格规定。然而，人工检查这些图像可能是一项繁琐的任务。虽然神经网络有可能实现该过程的自动化，但训练此类模型通常需要成对的输入和目标图像数据集，这又涉及大量人力劳动。本研究引入了一种自动检测图像中标注的方法。这是通过将标注视为噪声、创建自监督前置任务并使用在 Noise2Noise 方案下训练的模型将图像恢复至干净状态来实现的。我们在去噪任务上针对不同类型的标注（包括体位标记标注、放射线标注等）测试了多种模型结构。我们的结果表明，大多数在 Noise2Noise 方案下训练的模型优于使用噪声-干净数据对训练的对应模型。定制 U-Net 在体位标记标注数据集上取得了最优结果，在分割精度和重建相似度上均获得高分。我们在 https://github.com/GrandArth/UltrasonicImage-N2N-Approach 发布了代码。
引用
@article{arxiv.2307.04133,
title = {Ultrasonic Image's Annotation Removal: A Self-supervised Noise2Noise Approach},
author = {Yuanheng Zhang and Nan Jiang and Zhaoheng Xie and Junying Cao and Yueyang Teng},
journal= {arXiv preprint arXiv:2307.04133},
year = {2023}
}
备注
10 pages, 7 figures