Filter2Noise: Denoising Auto-Supervisionato Interpretabile per Immagini Singole in TC a Basso Dosaggio con Filtraggio Bilaterale Guidato da Attenzione

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

April 18, 2025

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

cs.AI

Abstract

La riduzione efficace del rumore è cruciale nella TC a bassa dose per migliorare le strutture sottili e le lesioni a basso contrasto, prevenendo al contempo errori diagnostici. I metodi supervisionati incontrano difficoltà con dataset accoppiati limitati, mentre gli approcci auto-supervisionati spesso richiedono più immagini rumorose e si basano su reti profonde come la U-Net, offrendo poca comprensione del meccanismo di riduzione del rumore. Per affrontare queste sfide, proponiamo un framework interpretabile di riduzione del rumore auto-supervisionato su singola immagine -- Filter2Noise (F2N). Il nostro approccio introduce un Filtro Bilaterale Guidato dall'Attenzione, adattato a ciascun input rumoroso attraverso un modulo leggero che predice parametri di filtro variabili spazialmente, che possono essere visualizzati e regolati post-addestramento per una riduzione del rumore controllata dall'utente in specifiche regioni di interesse. Per abilitare l'addestramento su singola immagine, introduciamo una nuova strategia di downsampling shuffle con una funzione di perdita auto-supervisionata che estende il concetto di Noise2Noise a una singola immagine e affronta il rumore correlato spazialmente. Sul dataset Mayo Clinic 2016 a bassa dose TC, F2N supera il principale metodo auto-supervisionato su singola immagine (ZS-N2N) di 4.59 dB PSNR, migliorando al contempo trasparenza, controllo dell'utente ed efficienza parametrica. Queste caratteristiche offrono vantaggi chiave per applicazioni mediche che richiedono una riduzione del rumore precisa e interpretabile. Il nostro codice è disponibile su 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 .