Filter2Noise : Dénonçage auto-supervisé interprétable pour les images uniques en tomodensitométrie à faible dose avec filtrage bilatéral guidé par attention

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

April 18, 2025

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

cs.AI

Résumé

Un débruitage efficace est crucial en tomodensitométrie à faible dose pour améliorer les structures subtiles et les lésions à faible contraste tout en évitant les erreurs de diagnostic. Les méthodes supervisées peinent avec des ensembles de données appariés limités, et les approches auto-supervisées nécessitent souvent plusieurs images bruitées et s'appuient sur des réseaux profonds comme U-Net, offrant peu d'informations sur le mécanisme de débruitage. Pour relever ces défis, nous proposons un cadre de débruitage auto-supervisé à image unique et interprétable -- Filter2Noise (F2N). Notre approche introduit un Filtre Bilatéral Guidé par l'Attention adapté à chaque entrée bruitée via un module léger qui prédit des paramètres de filtre variant spatialement, lesquels peuvent être visualisés et ajustés après l'entraînement pour un débruitage contrôlé par l'utilisateur dans des régions d'intérêt spécifiques. Pour permettre un entraînement sur une seule image, nous introduisons une nouvelle stratégie de sous-échantillonnage aléatoire avec une fonction de perte auto-supervisée inédite qui étend le concept de Noise2Noise à une seule image et traite le bruit spatialement corrélé. Sur le jeu de données Mayo Clinic 2016 de tomodensitométrie à faible dose, F2N surpasse la meilleure méthode auto-supervisée à image unique (ZS-N2N) de 4,59 dB PSNR tout en améliorant la transparence, le contrôle utilisateur et l'efficacité paramétrique. Ces caractéristiques offrent des avantages clés pour les applications médicales nécessitant une réduction de bruit précise et interprétable. Notre code est disponible à l'adresse suivante : 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 .