[论文解读] Adversarial Distortion Learning for Medical Image Denoising

Morteza Ghahremani, Mohammad Khateri+2 more|arXiv (Cornell University)|Apr 29, 2022

Image and Signal Denoising Methods被引用 10

一句话总结

本文提出对抗性失真学习（Adversarial Distortion Learning, ADL），一种新颖的深度学习框架，用于2D/3D医学图像去噪。该框架采用轻量级的Efficient-Unet架构，并结合双自编码器设置：一个去噪器与一个对抗训练的判别器。该方法在多种生物医学数据集（包括MRI、皮肤镜、电子显微镜和X射线）上实现了最先进性能，无需针对新数据类型进行微调，同时通过新颖的金字塔形与基于直方图的损失函数，保持了高推理速度并有效保留了纹理与对比度。

ABSTRACT

We present a novel adversarial distortion learning (ADL) for denoising two- and three-dimensional (2D/3D) biomedical image data. The proposed ADL consists of two auto-encoders: a denoiser and a discriminator. The denoiser removes noise from input data and the discriminator compares the denoised result to its noise-free counterpart. This process is repeated until the discriminator cannot differentiate the denoised data from the reference. Both the denoiser and the discriminator are built upon a proposed auto-encoder called Efficient-Unet. Efficient-Unet has a light architecture that uses the residual blocks and a novel pyramidal approach in the backbone to efficiently extract and re-use feature maps. During training, the textural information and contrast are controlled by two novel loss functions. The architecture of Efficient-Unet allows generalizing the proposed method to any sort of biomedical data. The 2D version of our network was trained on ImageNet and tested on biomedical datasets whose distribution is completely different from ImageNet; so, there is no need for re-training. Experimental results carried out on magnetic resonance imaging (MRI), dermatoscopy, electron microscopy and X-ray datasets show that the proposed method achieved the best on each benchmark. Our implementation and pre-trained models are available at https://github.com/mogvision/ADL.

研究动机与目标

• 解决现有去噪方法在生物医学图像中难以保留纹理与对比度的局限性。
• 开发一种无需针对新生物医学图像类型进行微调的可泛化去噪模型。
• 在保持高去噪质量的同时，降低2D与3D医学成像中的计算负担。
• 消除对输入数据噪声分布先验知识的需求。
• 通过缓解深度网络中的梯度消失问题，提升训练稳定性和收敛性。

提出的方法

• 该框架采用生成对抗网络（GAN）设置，包含基于所提Efficient-Unet架构构建的去噪器与判别器。
• Efficient-Unet采用金字塔形残差主干网络，以分层方式强制跨尺度的特征一致性，提升特征复用与表征能力。
• 提出一种基于“algorithme à trous”（ATW）的新型金字塔形损失函数，以在抑制非纹理区域噪声放大的同时保留纹理特征。
• 提出一种基于直方图的损失函数，以在去噪输出中保持参考图像（真实标签）的外观与对比度。
• 将内容增强模块（Content Enhancer block）集成至编码器中，以在低噪声水平下稳定训练并加速收敛。
• 模型采用成对的含噪与干净图像进行监督训练，判别器负责区分真实干净图像与去噪输出。

实验结果

研究问题

• RQ1 与标准损失函数相比，对抗性训练方案是否能显著提升医学图像去噪中的纹理与对比度保留效果？
• RQ2 像Efficient-Unet这样的轻量级、可泛化网络，在无需领域特定微调的情况下，能否在多样化的生物医学图像领域中有效表现？
• RQ3 所提出的金字塔形损失函数在保留多尺度纹理特征的同时，对噪声抑制的效果如何？
• RQ4 基于直方图的损失函数是否能显著提升去噪图像的视觉保真度与外观一致性？
• RQ5 内容增强模块是否能有效缓解梯度消失问题，并在低噪声条件下提升训练收敛性？

主要发现

• ADL在所有测试基准上均达到最先进性能，涵盖MRI、皮肤镜、电子显微镜与X射线数据集，在PSNR与结构相似性指标上均优于现有方法。
• ADL的2D版本在ImageNet上预训练后，无需领域适应即可有效泛化至无分布重叠的生物医学数据集，展现出强大的零样本迁移能力。
• 2D数据参数量仅为475万，3D数据为1480万，2D与3D的计算量分别为2.1 GFLOPs与121 GFLOPs，显著低于SwinIR与BM4D的计算成本。
• 消融实验表明，金字塔形损失函数显著提升了PSNR，加入直方图损失后进一步增强了图像质量与感知保真度。
• 内容增强模块在低噪声水平（σ < 10）下与去噪输出呈现强相关性，证实其在稳定训练与加速收敛中的关键作用。
• 2D与3D MRI数据的推理时间分别缩短至143ms与14.6秒，优于BM4D（597.6秒）与SwinIR（539ms），使ADL适用于实时应用。