[论文解读] Consensus Neural Network for Medical Imaging Denoising with Only Noisy Training Samples

Dufan Wu, Kuang Gong+2 more|arXiv (Cornell University)|Jun 9, 2019

Medical Imaging Techniques and Applications参考文献 9被引用 12

一句话总结

本文提出了一种用于医学图像去噪的共识神经网络，通过利用同一图像的两个独立噪声实现，仅使用噪声样本进行训练。通过引入一种新颖的共识损失函数，并基于理论证明在零均值、不相关噪声条件下该方法等价于监督训练，该方法在低剂量CT和欠采样MR数据集上实现了无监督去噪的最先进性能，优于Noise2noise和迭代方法，同时有效保留了细微结构。

ABSTRACT

Deep neural networks have been proved efficient for medical image denoising. Current training methods require both noisy and clean images. However, clean images cannot be acquired for many practical medical applications due to naturally noisy signal, such as dynamic imaging, spectral computed tomography, arterial spin labeling magnetic resonance imaging, etc. In this paper we proposed a training method which learned denoising neural networks from noisy training samples only. Training data in the acquisition domain was split to two subsets and the network was trained to map one noisy set to the other. A consensus loss function was further proposed to efficiently combine the outputs from both subsets. A mathematical proof was provided that the proposed training scheme was equivalent to training with noisy and clean samples when the noise in the two subsets was uncorrelated and zero-mean. The method was validated on Low-dose CT Challenge dataset and NYU MRI dataset and achieved improved performance compared to existing unsupervised methods.

研究动机与目标

• 解决在动态CT、PET和ASL-MRI等成像模态中因固有噪声导致无法获取干净参考图像时，训练深度去噪网络的挑战。
• 通过提供在特定噪声条件下与监督学习等价的严格数学证明，扩展Noise2noise框架。
• 设计一种共识损失函数，以高效结合同一图像的两个独立噪声实现，从而提升去噪性能，优于现有无监督方法。
• 在真实世界医学影像数据集（低剂量CT和NYU MRI）上验证该方法，其中训练期间不提供干净图像。
• 通过训练一个独立网络将噪声输入映射到共识输出，实现在不修改扫描仪采集流程的前提下部署于临床工作流。

提出的方法

• 该方法将每个噪声输入拆分为两个独立的噪声实现，分别作为去噪网络的源和目标。
• 引入一种新颖的共识损失函数，联合优化网络以从一个噪声实现预测另一个，从而利用两者提升特征学习能力。
• 理论分析证明，当两个实现中的噪声为零均值且不相关时，所提出的训练方案等价于监督学习，形式化了Noise2noise有效的工作条件。
• 网络通过预测图像与第二个噪声实现之间的L2损失进行训练，假设给定第一个噪声时第二个噪声的条件期望为零。
• 训练完成后，共识网络可在推理模式下仅使用单个噪声输入进行部署，无需配对数据。
• 该框架与现有重建工作流兼容，因为可训练一个独立的网络以监督方式将噪声输入映射到共识网络的输出。

实验结果

研究问题

• RQ1 在何种条件下，Noise2noise训练等价于使用干净图像的监督去噪？
• RQ2 能否设计一种共识损失函数，以有效利用同一图像的两个独立噪声实现，从而提升去噪性能？
• RQ3 所提出的方法是否在具有挑战性噪声特性的实际医学影像数据集上优于现有无监督去噪方法（如Noise2noise）？
• RQ4 该方法是否能在降低低剂量和欠采样成像中噪声的同时，保留细微解剖结构和纹理？
• RQ5 所提出框架是否可在不改变扫描仪采集协议的前提下部署于临床环境？

主要发现

• 在低剂量CT挑战数据集上，所提方法在无监督方法中取得了最高的SSIM（87.1 ± 3.4），优于Noise2noise（84.2 ± 4.6），并接近监督方法Noise2clean的性能（87.7 ± 3.3）。
• 在CT数据上，所提方法的RMSE为18.4 ± 2.9 HU，略高于Noise2noise（17.4 ± 3.2），但显著更好地保留了小病灶和纹理。
• 在4倍欠采样的NYU MRI数据集上，所提方法实现了最低的RMSE（23.4 ± 4.2 × 10⁻³）和最高的SSIM（95.2 ± 0.6），优于Noise2noise（RMSE：27.7 ± 6.3，SSIM：94.6 ± 1.3）。
• 视觉对比显示，所提方法在保留结构细节和更有效地减少噪声与伪影方面优于零填充、SENSE和Noise2noise，其结果与监督方法Noise2clean非常接近。
• 该方法对局部噪声（在CT中）和非局部欠采样伪影（在MR中）均表现出鲁棒性，表明其在不同噪声模型下具有广泛适用性。
• 共识网络通过正则化有效缓解了噪声相关性引起的伪影，在噪声独立性部分被违反时仍能保持高图像质量。