Multi-Scale Texture Loss for CT denoising with GANs

要約

Generative Adversarial Networks (GAN) は、医療画像処理アプリケーションのノイズ除去のための強力なフレームワークとして証明されています。
ただし、GAN ベースのノイズ除去アルゴリズムには、画像内の複雑な関係を捉える際の制限がまだあります。
この点において、損失関数は、合成画像が実際の画像とどの程度異なるかを含めて、画像生成プロセスを導く上で重要な役割を果たします。
トレーニング プロセスで非常に複雑で非線形のテクスチャ関係を把握するために、この研究では、マルチスケール テクスチャ情報を取得して損失関数に埋め込む新しいアプローチを提示します。
私たちの方法では、自己注意レイヤーによって動的に集約された画像の微分可能なマルチスケール テクスチャ表現を導入し、エンドツーエンドの勾配ベースの最適化を活用します。
私たちは、ノイズの多い CT スキャンの品質を向上させることを目的とした挑戦的なアプリケーションである、低線量 CT ノイズ除去のコンテキストで広範な実験を実行することで、私たちのアプローチを検証します。
1 つのシミュレーション データセットと 2 つの実際のデータセットを含む、3 つの公開データセットを利用します。
この結果は、他の十分に確立された損失関数と比較して有望であり、3 つの異なる GAN アーキテクチャ間でも一貫しています。
コードはhttps://github.com/TrainLaboratory/MultiScaleTextureLoss-MSTLFから入手できます。

要約(オリジナル)

Generative Adversarial Networks (GANs) have proved as a powerful framework for denoising applications in medical imaging. However, GAN-based denoising algorithms still suffer from limitations in capturing complex relationships within the images. In this regard, the loss function plays a crucial role in guiding the image generation process, encompassing how much a synthetic image differs from a real image. To grasp highly complex and non-linear textural relationships in the training process, this work presents a novel approach to capture and embed multi-scale texture information into the loss function. Our method introduces a differentiable multi-scale texture representation of the images dynamically aggregated by a self-attention layer, thus exploiting end-to-end gradient-based optimization. We validate our approach by carrying out extensive experiments in the context of low-dose CT denoising, a challenging application that aims to enhance the quality of noisy CT scans. We utilize three publicly available datasets, including one simulated and two real datasets. The results are promising as compared to other well-established loss functions, being also consistent across three different GAN architectures. The code is available at: https://github.com/TrainLaboratory/MultiScaleTextureLoss-MSTLF

arxiv情報

提供元, 利用サービス

arxiv.jp, Google