Speckle2Self:在没有清洁数据的情况下,自我监督的超声波减少斑点.

科学领域:

• 计算机视觉 计算机视觉
• 医疗成像医学成像
• 信号处理 信号处理

背景情况:

• 超声波 (US) 成像中的斑点噪声由于复杂的波干扰而降低了图像质量.
• 现有的深度学习的无声化方法与美国的斑点噪声作斗争,原因是它的组织依赖性和空间依赖性.
• 像Noise2Noise这样的自我监督学习方法对于美国成像是不可行的,因为它们需要多个独立的杂观测.

研究的目的:

• 介绍Speckle2Self,一种新的自我监督算法,用于有效减少超声波图像中的斑点.
• 为了解决现有无声化方法在处理取决于组织的美国斑点噪声方面的局限性.
• 为了使斑点抑制只使用单个噪音超声观测.

主要方法:

• Speckle2Self使用多尺度扰动 (MSP) 操作,在斑点图案中引入尺度依赖的变化.
• 算法将清洁图像建模为低级信号,并隔离稀疏噪声组件.
• 专为单通道,空间相关的噪音而设计的自主监督学习框架.

主要成果:

• 与传统和最先进的基于学习的方法相比,Speckle2Self表现出优异的斑点减少性能.
• 该算法显示了来自多台机器的模拟和真实人体带超声波图像的强有力的概括.
• 验证证实了低级建模和稀疏噪声隔离方法的有效性.

结论:

• 在超声波成像中,Speckle2Self为无监督的斑点减少提供了一个可行的解决方案.
• 拟议的多尺度扰动策略有效地处理了美国斑点噪声的独特特征.
• 这种方法推进了医疗图像denoising中的自我监督学习应用.