[論文レビュー] DEMIX: Dual-Encoder Latent Masking Framework for Mixed Noise Reduction in Ultrasound Imaging

Soumee Guha, Scott T. Acton|arXiv (Cornell University)|Feb 6, 2026

Ultrasound Imaging and Elastography被引用数 0

ひとこと要約

DEMIXは、超音波画像の加法ノイズと乗法ノイズを個別にモデル化し、マスク付きゲート機構で融合するデュアルエンコーダ拡散風デノイジングフレームワークを導入し、PSF歪みも考慮する。2つの超音波データセットと下流のセグメンテーションで最先端ベースラインを上回る。

ABSTRACT

Ultrasound imaging is widely used in noninvasive medical diagnostics due to its efficiency, portability, and avoidance of ionizing radiation. However, its utility is limited by the quality of the signal. Signal-dependent speckle noise, signal-independent sensor noise, and non-uniform spatial blurring caused by the transducer and modeled by the point spread function (PSF) degrade the image quality. These degradations challenge conventional image restoration methods, which assume simplified noise models, and highlight the need for specialized algorithms capable of effectively reducing the degradations while preserving fine structural details. We propose DEMIX, a novel dual-encoder denoising framework with a masked gated fusion mechanism, for denoising ultrasound images degraded by mixed noise and further degraded by PSF-induced distortions. DEMIX is inspired by diffusion models and is characterized by a forward process and a deterministic reverse process. DEMIX adaptively assesses the different noise components, disentangles them in the latent space, and suppresses these components while compensating for PSF degradations. Extensive experiments on two ultrasound datasets, along with a downstream segmentation task, demonstrate that DEMIX consistently outperforms state-of-the-art baselines, achieving superior noise suppression and preserving structural details. The code will be made publicly available.

研究の動機と目的

• 混合ノイズ（信号依存的なスペックルと信号非依存的なガウシアンノイズ）およびPSF誘起歪みの下で頑健な超音波デノイズを動機づける。
• 潜在空間でノイズ成分を分離するPSF対応デュアルエンコーダアーキテクチャを提案する。
• 加法ノイズと乗法ノイズの表現をマスク付きゲーティング機構で統合する。
• 軸方向および横方向の歪みに適応するため、両エンコーダにPSF情報を組み込む。
• 2つの超音波データセットと下流のセグメンテーションでデノイズ品質の向上と構造的ディテールの保存を実証する。

提案手法

• 混合ノイズを加法ノイズと乗法ノイズの PerturbationとしてPSFと畳み込みでモデル化する前方拡散風プロセスを提案する。
• 加法ノイズ用エンコーダと乗法ノイズ用エンコーダの2つを導入し、それぞれのノイズ特性を符号化する。
• 学習可能なゲートとマスキング戦略によって、両エンコーダの潜在特徴をゲーティング融合ブロックで統合し、少なくとも1つのエンコーダを有効に保つ。
• ノイズスケジュール（乗法のアルファ、加法のベータ）とPSFパラメータpsiをネットワークに埋め込み、ノイズレベルとPSF歪みに応じたデノイジングを条件付けする。
• 逆（デノイジング）プロセスにはデュアルエンコーダUNetをバックボーンとして用い、ノイズ埋め込みアルファ-ベータが全デコーダ段を条件付けする。
• デノイズ出力とクリーン画像の間の拡散風L1損失に、マルチスケールSSIM損失（MS-SSIM）を補助として最適化する。

実験結果

リサーチクエスチョン

• RQ1 デュアルエンコーダ構成は、超音波画像における信号依存スペックルと信号非依存ガウシアンノイズを効果的に分離できるか。
• RQ2 各エンコーダにPSF（軸方向および横方向）情報を組み込むことでPSF歪み下の復元が改善されるか。
• RQ3 マスク付きゲート融合機構は、混合ノイズの超音波画像デノイズ時の頑健性と構造的ディテールの保存を改善するか。
• RQ4 従来の最先端デノイジングベースラインと比較して、標準的な超音波データセットおよび下流のセグメンテーションタスクでDEMIXの性能はどうか。

主な発見

• DEMIXは、PSNRとSSIMの両方で、2つの超音波データセットにおいてノイズとPSF条件が異なる状況下でも一貫して最先端ベースラインを超える。
• デュアルエンコーダとマスク付き融合は潜在空間における加法ノイズ成分と乗法ノイズ成分を効果的に分離する。
• PSFエンコーダにPSF歪みの全スペクトラムを符号化することで、軸方向および横方向PSF変動による変形を適応的に復元できる。
• MS-SSIM強化損失は知覚品質を向上させ、再構成された超音波画像の構造的ディテールを維持する。
• 下流のセグメンテーションタスクは、DEMIXデノイズ済み入力から利益を得ることを示し、実用的な臨床有用性を示唆する。