Filter2Noise: Desnudação Auto-Supervisionada Interpretável de Imagem Única para Tomografia Computadorizada de Baixa Dose com Filtragem Bilateral Guiada por Atenção

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

Resumo

A remoção eficaz de ruído é crucial em tomografias computadorizadas de baixa dose para realçar estruturas sutis e lesões de baixo contraste, ao mesmo tempo que previne erros diagnósticos. Métodos supervisionados enfrentam dificuldades com conjuntos de dados pareados limitados, e abordagens auto-supervisionadas frequentemente exigem múltiplas imagens ruidosas e dependem de redes profundas como a U-Net, oferecendo pouca compreensão sobre o mecanismo de remoção de ruído. Para enfrentar esses desafios, propomos um framework interpretável de remoção de ruído auto-supervisionado para uma única imagem -- Filter2Noise (F2N). Nossa abordagem introduz um Filtro Bilateral Guiado por Atenção que se adapta a cada entrada ruidosa por meio de um módulo leve que prevê parâmetros de filtro variáveis espacialmente, os quais podem ser visualizados e ajustados após o treinamento para uma remoção de ruído controlada pelo usuário em regiões de interesse específicas. Para possibilitar o treinamento com uma única imagem, introduzimos uma nova estratégia de embaralhamento com redução de resolução, juntamente com uma nova função de perda auto-supervisionada que estende o conceito de Noise2Noise para uma única imagem e aborda o ruído espacialmente correlacionado. No conjunto de dados de tomografia computadorizada de baixa dose da Mayo Clinic 2016, o F2N supera o principal método auto-supervisionado para uma única imagem (ZS-N2N) em 4,59 dB de PSNR, ao mesmo tempo que melhora a transparência, o controle do usuário e a eficiência paramétrica. Essas características oferecem vantagens essenciais para aplicações médicas que exigem redução de ruído precisa e interpretável. Nosso código está disponível em 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 .