[논문 리뷰] DEMIX: Dual-Encoder Latent Masking Framework for Mixed Noise Reduction in Ultrasound Imaging

Soumee Guha, Scott T. Acton|arXiv (Cornell University)|2026. 02. 06.

Ultrasound Imaging and Elastography인용 수 0

한 줄 요약

DEMIX는 초음파 영상에서 additive 및 multiplicative 노이즈를 각각 모델링하고, 마스크 게이팅 메커니즘으로 이를 융합하며, PSF 왜곡도도 반영하는 이중 인코더 확산 영감의 노이즈 제거 프레임워크를 도입한다; 이는 두 개의 초음파 데이터셋과 하류 분할에서 최첨단 baselines를 능가한다.

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.

연구 동기 및 목표

• 혼합 노이즈(신호 의존적 스펙클 및 신호 독립적 가우시안 노이즈)와 PSF 유도 왜곡에 대해 robust한 초음파 노이즈 제거를 동기화한다.
• 잠재 공간에서 노이즈 구성요소를 분리하는 PSF 인식 이중 인코더 아키텍처를 제안한다.
• additive 및 multiplicative 노이즈 표현을 결합하기 위한 masked gated fusion 메커니즘을 도입한다.
• 축 방향 및 측방 왜곡에 적응하도록 두 인코더에 PSF 정보를 포함시킨다.
• 두 개의 초음파 데이터셋과 하류 분할에서 노이즈 제거 품질 향상 및 구조적 세부 정보 보존을 입증한다.

제안 방법

• 혼합 노음을 additive와 multiplicative perturbation으로, PSF로 합성된 forward diffusion-like 프로세스를 모델링한다.
• additive 노이즈와 multiplicative 노이즈를 각각 인코딩하는 두 개의 인코더를 도입하고, 각 인코더가 해당 노이즈 특성을 인코딩한다.
• 학습 가능한 게이트와 마스킹 전략을 통해 두 인코더의 잠재 특징을 결합하는 게이트드 펀드(block)로 구성하고, 최소 하나의 인코더가 활성 상태를 유지하도록 한다.
• 네트워크에 노이즈 스케줄(alpha: multiplicative, beta: additive) 및 PSF 매개변수 psi를 내재시켜 다양한 노이즈 수준과 PSF 왜곡에 따른 denoising을 조건화한다.
• 역방향(노이즈 제거) 프로세스에 이중 인코더 UNet 백본을 사용하고, 노이즈 임베딩 alpha-beta가 모든 디코더 스테이지를 조건화한다.
• denoised 출력과 깨끗한 이미지 간의 diffusion-style L1 손실에 multiscale SSIM 손실(MS-SSIM)을 추가하여 최적화한다.

실험 결과

연구 질문

• RQ1 이중 인코더 구성이 ultrasound 영상의 신호 의존적 스펙클과 신호 의존적이 아닌 가우시안 노이즈를 효과적으로 분리할 수 있는가?
• RQ2 각 인코더에 PSF(축 방향 및 측방) 정보를 포함시키면 PSF 유도 왜곡 하에서 복원이 향상되는가?
• RQ3 마스크드 게이트드 퓨전 메커니즘이 혼합 노이즈 초음파 영상의 denoising 과정에서 강건성과 구조적 세부 정보 보전 능력을 향상시키는가?
• RQ4 DEMIX가 표준 초음파 데이터셋 및 하류 분할 작업에서 최첨단 denoising 베이스라인 대비 어떤 성능 차이를 보이는가?

주요 결과

• DEMIX는 두 개의 초음파 데이터셋에서 PSNR 및 SSIM 측면에서 varying한 노이즈 및 PSF 조건 하에서 일관되게 최첨단 베이스라인을 능가한다.
• 이중 인코더와masked fusion은 잠재 공간에서 additive 및 multiplicative 노이즈 구성요소를 효과적으로 분리한다.
• PSF 인코더에 PSF 왜곡의 전체 스펙트럼을 인코딩하면 축 방향 및 측 방향 PSF 변형으로 인한 변형을 적응적으로 복원할 수 있다.
• MS-SSIM 강화 손실은 인지적 품질을 향상시키고 재구성된 초음파 영상의 구조적 세부 정보를 유지한다.
• 하류 분할 작업은 DEMIX로 노이즈 제거된 입력에서 이점을 얻어 임상적 유용성을 시사한다.