Filter2Noise: 低線量CTのための注意誘導型バイラテラルフィルタリングを用いた解釈可能な自己教師あり単一画像ノイズ除去

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

April 18, 2025

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

cs.AI

要旨

低線量CTにおいて、効果的なノイズ除去は微細な構造や低コントラスト病変を強調し、診断ミスを防ぐために重要です。教師あり手法は限られたペアデータセットに苦戦し、自己教師あり手法は複数のノイズ画像を必要とし、U-Netのような深層ネットワークに依存するため、ノイズ除去メカニズムの洞察がほとんど得られません。これらの課題に対処するため、我々は解釈可能な自己教師あり単一画像ノイズ除去フレームワーク「Filter2Noise（F2N）」を提案します。本手法では、軽量なモジュールを通じて各ノイズ入力を適応させる「Attention-Guided Bilateral Filter」を導入し、空間的に変化するフィルタパラメータを予測します。これらのパラメータは可視化され、トレーニング後に調整可能で、特定の関心領域におけるユーザー制御のノイズ除去を実現します。単一画像でのトレーニングを可能にするため、新しいダウンサンプリングシャッフル戦略と、Noise2Noiseの概念を単一画像に拡張し、空間的に相関するノイズに対処する新しい自己教師あり損失関数を導入します。Mayo Clinic 2016低線量CTデータセットにおいて、F2Nは主要な自己教師あり単一画像手法（ZS-N2N）を4.59 dB PSNRで上回り、透明性、ユーザー制御、パラメータ効率を向上させます。これらの特徴は、精密で解釈可能なノイズ除去を必要とする医療アプリケーションにおいて重要な利点を提供します。我々のコードはhttps://github.com/sypsyp97/Filter2Noise.gitで公開されています。

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 .