Adaptive Extensions of Unbiased Risk Estimators for Unsupervised Magnetic Resonance Image Denoising

要約

画像ノイズ除去へのディープ ニューラル ネットワーク (DNN) の適用は、特に医療画像処理で一般的な複雑なノイズ シナリオにおいて、従来のノイズ除去手法に顕著な挑戦をもたらしています。
従来の方法や一部の DNN ベースの方法は有効であるにもかかわらず、高品質でノイズのないグラウンド トゥルース画像に依存しているため、実用性が制限されています。
これに応えて、私たちの研究では、革新的な教師なし学習戦略、特に Stein の不偏リスク推定器 (SURE)、その拡張機能 (eSURE)、および新規実装である拡張ポアソン不偏リスク推定器 (ePURE) を医療画像フレームワーク内に導入し、ベンチマークを行っています。
この論文では、ガウスおよびポアソン ノイズ タイプに悩まされる MRI データに対するこれらの方法の包括的な評価を示します。これは医療画像処理では典型的なシナリオですが、ほとんどのノイズ除去アルゴリズムにとっては困難です。
私たちの主な貢献は、SURE、eSURE、特に医療画像用の ePURE フレームワークの効果的な適応と実装にあり、従来のノイズのないグランド トゥルースが取得できない環境での堅牢性と有効性を実証しています。

要約(オリジナル)

The application of Deep Neural Networks (DNNs) to image denoising has notably challenged traditional denoising methods, particularly within complex noise scenarios prevalent in medical imaging. Despite the effectiveness of traditional and some DNN-based methods, their reliance on high-quality, noiseless ground truth images limits their practical utility. In response to this, our work introduces and benchmarks innovative unsupervised learning strategies, notably Stein’s Unbiased Risk Estimator (SURE), its extension (eSURE), and our novel implementation, the Extended Poisson Unbiased Risk Estimator (ePURE), within medical imaging frameworks. This paper presents a comprehensive evaluation of these methods on MRI data afflicted with Gaussian and Poisson noise types, a scenario typical in medical imaging but challenging for most denoising algorithms. Our main contribution lies in the effective adaptation and implementation of the SURE, eSURE, and particularly the ePURE frameworks for medical images, showcasing their robustness and efficacy in environments where traditional noiseless ground truth cannot be obtained.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google