基于偏差和方差校正的扩散加权图像无监督去噪
定量方法
2026-02-27 v1 人工智能
图像与视频处理
摘要
扩散磁共振成像 (dMRI) 在临床诊断和神经科学研究中发挥着关键作用。然而，其 inherently 低信噪比 (SNR)，尤其是在高扩散加权条件下，显著降低图像质量并损害下游分析。近期的自监督和无监督去噪方法通过提升图像质量而无需干净参考信号，提供了实用解决方案。然而，这些方法大多在监督学习过程中未显式考虑dMRI幅值数据中常见的非高斯噪声特征，可能导致系统性偏差和异方差性方差，特别是在低SNR条件下。为克服这一限制，我们引入噪声校正的训练目标，显式建模Rician分布。具体而言，我们提出两种替代损失函数：一种基于一阶矩以消除均值偏差，另一种基于二阶矩以校正平方信号偏差。两种损失函数均包含自适应加权，以 accounts for 方差异质性，可在不改变网络结构的情况下使用。这些目标在图像特定的、无监督的深度图像先验 (Deep Image Prior, DIP) 框架中得到实现。针对模拟数据和体内dMRI进行了全面实验，结果表明所提方法有效降低Rician偏差，抑制噪声波动，生成更高的图像质量和更可靠的扩散指标，优于最先进的去噪基线方法。这些结果凸显了在低SNR条件下进行稳健dMRI分析的偏差和方差感知噪声建模的重要性。
引用
@article{arxiv.2602.22235,
title = {Unsupervised Denoising of Diffusion-Weighted Images with Bias and Variance Corrected Noise Modeling},
author = {Jine Xie and Zhicheng Zhang and Yunwei Chen and Yanqiu Feng and Xinyuan Zhang},
journal= {arXiv preprint arXiv:2602.22235},
year = {2026}
}