Filter2Noise: 주의력 기반 양방향 필터링을 통한 저선량 CT용 해석 가능한 자기 지도 단일 이미지 노이즈 제거

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

April 18, 2025

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

cs.AI

초록

저선량 CT에서 효과적인 노이즈 제거는 미세 구조와 저대비 병변을 강화하고 진단 오류를 방지하는 데 중요합니다. 지도 학습 방법은 제한된 짝지어진 데이터셋으로 어려움을 겪으며, 자기 지도 학습 접근법은 종종 다중 노이즈 이미지를 요구하고 U-Net과 같은 심층 네트워크에 의존하여 노이즈 제거 메커니즘에 대한 통찰을 거의 제공하지 않습니다. 이러한 문제를 해결하기 위해, 우리는 해석 가능한 자기 지도 단일 이미지 노이즈 제거 프레임워크인 Filter2Noise(F2N)를 제안합니다. 우리의 접근 방식은 경량 모듈을 통해 각 노이즈 입력에 적응하는 Attention-Guided Bilateral Filter를 도입하여 공간적으로 변하는 필터 매개변수를 예측하며, 이는 시각화되고 훈련 후 조정 가능하여 관심 영역에서 사용자 제어 노이즈 제거를 가능하게 합니다. 단일 이미지 훈련을 가능하게 하기 위해, 우리는 새로운 자기 지도 손실 함수와 함께 새로운 다운샘플링 셔플 전략을 도입하여 Noise2Noise 개념을 단일 이미지로 확장하고 공간적으로 상관된 노이즈를 해결합니다. Mayo Clinic 2016 저선량 CT 데이터셋에서 F2N은 선두 자기 지도 단일 이미지 방법(ZS-N2N)보다 4.59 dB PSNR로 우수한 성능을 보이며 투명성, 사용자 제어 및 매개변수 효율성을 개선했습니다. 이러한 특징은 정밀하고 해석 가능한 노이즈 감소가 필요한 의료 응용 프로그램에 주요 이점을 제공합니다. 우리의 코드는 https://github.com/sypsyp97/Filter2Noise.git에서 확인할 수 있습니다.

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 .