Filter2Noise: Interpretierbares selbstüberwachtes Einzelbild-Rauschentfernen für Niedrigdosis-CT mit aufmerksamkeitsgeführtem bilateralem Filter

Filter2Noise: Interpretable Self-Supervised Single-Image Denoising for Low-Dose CT with Attention-Guided Bilateral Filtering

April 18, 2025

Autoren: Yipeng Sun, Linda-Sophie Schneider, Mingxuan Gu, Siyuan Mei, Chengze Ye, Fabian Wagner, Siming Bayer, Andreas Maier

cs.AI

Zusammenfassung

Effektive Rauschunterdrückung ist entscheidend bei der Niedrigdosis-CT, um subtile Strukturen und Kontrastarme Läsionen zu verbessern und gleichzeitig diagnostische Fehler zu vermeiden. Überwachte Methoden kämpfen mit begrenzten gepaarten Datensätzen, und selbstüberwachte Ansätze benötigen oft mehrere verrauschte Bilder und stützen sich auf tiefe Netzwerke wie U-Net, bieten jedoch wenig Einblick in den Rauschunterdrückungsmechanismus. Um diese Herausforderungen zu bewältigen, schlagen wir ein interpretierbares, selbstüberwachtes Einzelbild-Rauschunterdrückungsframework vor – Filter2Noise (F2N). Unser Ansatz führt einen aufmerksamkeitsgesteuerten bilateralen Filter ein, der sich durch ein leichtgewichtiges Modul an jedes verrauschte Eingabebild anpasst, das räumlich variierende Filterparameter vorhersagt. Diese Parameter können nach dem Training visualisiert und angepasst werden, um eine benutzerkontrollierte Rauschunterdrückung in spezifischen Regionen von Interesse zu ermöglichen. Um das Training mit einem einzelnen Bild zu ermöglichen, führen wir eine neuartige Downsampling-Shuffle-Strategie mit einer neuen selbstüberwachten Verlustfunktion ein, die das Konzept von Noise2Noise auf ein einzelnes Bild erweitert und räumlich korreliertes Rauschen berücksichtigt. Auf dem Mayo Clinic 2016 Niedrigdosis-CT-Datensatz übertrifft F2N die führende selbstüberwachte Einzelbildmethode (ZS-N2N) um 4,59 dB PSNR und verbessert gleichzeitig die Transparenz, Benutzerkontrolle und parametrische Effizienz. Diese Merkmale bieten entscheidende Vorteile für medizinische Anwendungen, die eine präzise und interpretierbare Rauschreduktion erfordern. Unser Code ist unter https://github.com/sypsyp97/Filter2Noise.git verfügbar.

English

Effective denoising is crucial in low-dose CT to enhance subtle structures and low-contrast lesions while preventing diagnostic errors. Supervised methods struggle with limited paired datasets, and self-supervised approaches often require multiple noisy images and rely on deep networks like U-Net, offering little insight into the denoising mechanism. To address these challenges, we propose an interpretable self-supervised single-image denoising framework -- Filter2Noise (F2N). Our approach introduces an Attention-Guided Bilateral Filter that adapted to each noisy input through a lightweight module that predicts spatially varying filter parameters, which can be visualized and adjusted post-training for user-controlled denoising in specific regions of interest. To enable single-image training, we introduce a novel downsampling shuffle strategy with a new self-supervised loss function that extends the concept of Noise2Noise to a single image and addresses spatially correlated noise. On the Mayo Clinic 2016 low-dose CT dataset, F2N outperforms the leading self-supervised single-image method (ZS-N2N) by 4.59 dB PSNR while improving transparency, user control, and parametric efficiency. These features provide key advantages for medical applications that require precise and interpretable noise reduction. Our code is demonstrated at https://github.com/sypsyp97/Filter2Noise.git .