用自主监督深度学习进行放射和断层多通道成像的射击噪声降低

科学领域:

• 医疗成像医学成像
• 图像处理 图像处理
• 计算科学 计算科学

背景情况:

• 射击噪声显著降低了放射和断层成像中的图像质量.
• 降低信号噪声比是一个关键的挑战,特别是在受限制的成像条件下.
• 现有的无声化方法经常与噪声特征各异的多通道数据集作斗争.

研究的目的:

• 开发和验证用于噪音多通道成像数据集的自我监督的无声化方法.
• 通过利用相邻图像通道之间的结构相似性来提高图像质量.
• 适应Noise2Noise方法用于涉及时间或能量分辨率成像的应用.

主要方法:

• 扩大了Noise2Noise自主监督消噪算法的应用.
• 采用了来自数据分布的相同信号但不相关的噪声的样本对.
• 将该方法应用于邻近通道共享类似信息但具有独立噪声的多通道数据集.
• 通过三个不同的案例研究证明了该方法的有效性.

主要成果:

• 成功提高了噪音多通道成像数据集的质量.
• 验证了该方法在光谱X射线断层扫描中的适用性.
• 在能量分散型中子断层扫描和体内X射线电影放射学中得到证实.
• 展示了利用道间结构相似性的有效性,以减少噪音.

结论:

• 经过调整的Noise2Noise方法通过利用道间的相关性,有效地消除了多道成像数据.
• 该方法提供了一个强大的解决方案,用于提高各种时间和能量分辨率成像模式的图像质量.
• 这项工作推进了自我监督学习技术,用于医学和科学成像中的关键应用.