Filter2Noise: Интерпретируемый метод шумоподавления на одном изображении с самообучением для низкодозовой КТ с использованием двусторонней фильтрации с управлением вниманием

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

April 18, 2025

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

cs.AI

Аннотация

Эффективное шумоподавление имеет решающее значение в низкодозовой компьютерной томографии (КТ) для улучшения видимости тонких структур и низкоконтрастных поражений, предотвращая при этом диагностические ошибки. Методы с учителем сталкиваются с ограниченностью парных наборов данных, а самоконтролируемые подходы часто требуют нескольких зашумленных изображений и полагаются на глубокие сети, такие как U-Net, что оставляет мало понимания механизма шумоподавления. Для решения этих проблем мы предлагаем интерпретируемую самоконтролируемую структуру для шумоподавления на основе одного изображения — Filter2Noise (F2N). Наш подход включает Attention-Guided Bilateral Filter, адаптируемый к каждому зашумленному входу через легковесный модуль, который предсказывает пространственно изменяемые параметры фильтра. Эти параметры могут быть визуализированы и скорректированы после обучения для пользовательского управления шумоподавлением в конкретных областях интереса. Для обучения на одном изображении мы вводим новую стратегию понижающей перестановки с новой функцией самоконтролируемой потери, которая расширяет концепцию Noise2Noise на одно изображение и учитывает пространственно коррелированный шум. На наборе данных Mayo Clinic 2016 по низкодозовой КТ F2N превосходит ведущий самоконтролируемый метод для одного изображения (ZS-N2N) на 4.59 дБ по PSNR, одновременно улучшая прозрачность, пользовательский контроль и параметрическую эффективность. Эти особенности предоставляют ключевые преимущества для медицинских приложений, требующих точного и интерпретируемого снижения шума. Наш код доступен по ссылке: 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 .