Filter2Noise: Desenfoque Autosupervisado Interpretable de Imagen Única para Tomografía Computarizada de Baja Dosis con Filtrado Bilateral Guiado por Atención

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

April 18, 2025

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

cs.AI

Resumen

La eliminación efectiva de ruido es crucial en la tomografía computarizada (TC) de baja dosis para realzar estructuras sutiles y lesiones de bajo contraste, evitando errores diagnósticos. Los métodos supervisados enfrentan dificultades con conjuntos de datos emparejados limitados, y los enfoques auto-supervisados a menudo requieren múltiples imágenes ruidosas y dependen de redes profundas como U-Net, ofreciendo poca comprensión del mecanismo de eliminación de ruido. Para abordar estos desafíos, proponemos un marco interpretable de eliminación de ruido auto-supervisado de una sola imagen: Filter2Noise (F2N). Nuestro enfoque introduce un Filtro Bilateral Guiado por Atención que se adapta a cada entrada ruidosa a través de un módulo ligero que predice parámetros de filtro espacialmente variables, los cuales pueden visualizarse y ajustarse después del entrenamiento para una eliminación de ruido controlada por el usuario en regiones de interés específicas. Para habilitar el entrenamiento con una sola imagen, introducimos una novedosa estrategia de barajado de submuestreo con una nueva función de pérdida auto-supervisada que extiende el concepto de Noise2Noise a una sola imagen y aborda el ruido espacialmente correlacionado. En el conjunto de datos de TC de baja dosis Mayo Clinic 2016, F2N supera al método líder auto-supervisado de una sola imagen (ZS-N2N) por 4.59 dB en PSNR, mejorando además la transparencia, el control del usuario y la eficiencia paramétrica. Estas características proporcionan ventajas clave para aplicaciones médicas que requieren una reducción de ruido precisa e interpretable. Nuestro código está disponible en https://github.com/sypsyp97/Filter2Noise.git.

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 .