[论文解读] 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 0

一句话总结

简述：DEMIX 引入一种双编码器扩散启发的去噪框架，分别建模超声图像中的加性噪声和乘性噪声，并通过带掩码门控的融合机制进行融合，同时考虑点扩散函数（PSF）畸变；在两个超声数据集以及下游分割任务中优于最先进的基线方法。

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.

研究动机与目标

• 在混合噪声（信号相关的散斑和信号无关的高斯噪声）与 PSF 诱发畸变下，推动鲁棒的超声去噪。
• 提出一个对 PSF 友好、在潜在空间解耦噪声分量的双编码器架构。
• 引入带掩码门控的融合机制，将加性噪声表示与乘性噪声表示进行融合。
• 将 PSF 信息融入两个编码器，以适应轴向和横向畸变下的去噪。
• 在两个超声数据集及下游分割任务中展示更优的去噪质量和保持结构细节。

提出的方法

• 提出一种前向扩散样过程，将混合噪声建模为加性与乘性扰动并与 PSF 卷积。
• 引入两个编码器：一个用于加性噪声，一个用于乘性噪声，各自对其噪声特征进行编码。
• 使用带门控的融合块，通过可学习的门控及掩码策略将两个编码器的潜在特征进行融合，确保至少有一个编码器保持激活。
• 将噪声时间表（乘性为 alpha、加性为 beta）和 PSF 参数 psi 嵌入网络，以在不同噪声水平和 PSF 畸变下调节去噪。
• 在反向（去噪）过程中采用双编码器 UNet 主干，噪声嵌入 alpha-beta 条件作用于所有解码器阶段。
• 通过扩散式 L1 损失对去噪输出与干净图像之间进行优化，并辅以多尺度结构相似性损失（MS-SSIM）。

实验结果

研究问题

• RQ1 双编码器设置是否能在超声图像中有效解耦信号相关的散斑与信号无关的高斯噪声？
• RQ2 将 PSF（轴向和横向）信息引入到各个编码器是否能在 PSF 诱发畸变下提升恢复效果？
• RQ3 带掩码门控的融合机制是否能提高混合噪声超声去噪过程中的鲁棒性和结构细节保留？
• RQ4 与现有最先进的去噪基线在标准超声数据集及下游分割任务中，DEMIX 的性能表现如何？

主要发现

• DEMIX 在两个超声数据集的不同噪声和 PSF 条件下，在 PSNR 和 SSIM 指标上持续超越最先进的基线。
• 双编码器+带掩码融合在潜在空间中有效解耦了加性与乘性噪声分量。
• 将完整谱系的 PSF 畸变编码到 PSF 编码器中，使自适应地修复轴向和横向 PSF 变化造成的畸形。
• 带有 MS-SSIM 增强的损失提高了感知质量，并在重建的超声图像中保持了结构细节。
• 下游分割任务从 DEMIX 去噪输入中受益，显示出实际的临床应用价值。