Task-based Regularization in Penalized Least-Squares for Binary Signal Detection Tasks in Medical Image Denoising

要約

画像除去アルゴリズムは、医療イメージングについて広範囲に調査されています。
画像の除去を実行するために、ペナルティの最小二乗（PLS）の問題を設計および解決することができます。ペナルティ期間は、イメージ化されているオブジェクトの事前知識をコードします。
合計バリエーション（TV）などのスパース促進の罰則は、画像の除去問題を正規化するための一般的な選択肢となっています。
ただし、このような手作りのペナルティは、測定された画像データにタスク関連情報を保存できず、滑らかな画像の外観と信号の検出可能性を低下させる斑状のアーティファクトにつながる可能性があります。
畳み込みニューラルネットワーク（CNNS）を採用する監視された学習方法は、医療画像を除去するための一般的なアプローチとして浮上しています。
しかし、研究により、従来の画像品質測定に基づいて損失関数で訓練されたCNNSは、画像のタスク関連情報の損失につながる可能性があることが示されています。
いくつかの以前の作品では、CNN除去モデルをトレーニングするためにモデルオブザーバーを使用するタスクベースの損失関数を調査しています。
ただし、このようなトレーニングプロセスでは、通常、多数のノイズが多い、騒音がない（ノイズフリーまたは低ノイズ）画像データのペアが必要です。
この作業では、医療画像除去でPLSを使用するためのタスクベースの正規化戦略を提案します。
提案されたタスクベースの正規化は、ガウスノイズモデルのノイズの多い画像の線形テスト統計の可能性に関連しています。
提案された方法では、地上真実の画像データを必要とせず、各画像を除去するための個々の最適化問題を解決します。
多変量分布（MVN）ゴツゴツした背景とバイナリテクスチャの背景を考慮するコンピューターシミュレーション研究が実施されます。
提案された正規化戦略は、除去された画像の信号検出可能性を効果的に改善できることが実証されています。

要約(オリジナル)

Image denoising algorithms have been extensively investigated for medical imaging. To perform image denoising, penalized least-squares (PLS) problems can be designed and solved, in which the penalty term encodes prior knowledge of the object being imaged. Sparsity-promoting penalties, such as total variation (TV), have been a popular choice for regularizing image denoising problems. However, such hand-crafted penalties may not be able to preserve task-relevant information in measured image data and can lead to oversmoothed image appearances and patchy artifacts that degrade signal detectability. Supervised learning methods that employ convolutional neural networks (CNNs) have emerged as a popular approach to denoising medical images. However, studies have shown that CNNs trained with loss functions based on traditional image quality measures can lead to a loss of task-relevant information in images. Some previous works have investigated task-based loss functions that employ model observers for training the CNN denoising models. However, such training processes typically require a large number of noisy and ground-truth (noise-free or low-noise) image data pairs. In this work, we propose a task-based regularization strategy for use with PLS in medical image denoising. The proposed task-based regularization is associated with the likelihood of linear test statistics of noisy images for Gaussian noise models. The proposed method does not require ground-truth image data and solves an individual optimization problem for denoising each image. Computer-simulation studies are conducted that consider a multivariate-normally distributed (MVN) lumpy background and a binary texture background. It is demonstrated that the proposed regularization strategy can effectively improve signal detectability in denoised images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google