[论文解读] Ultrasound Speckle Suppression and Denoising using MRI-derived Normalizing Flow Priors

Vincent van de Schaft, Ruud J. G. van Sloun|arXiv (Cornell University)|Dec 24, 2021

Ultrasound Imaging and Elastography被引用 6

一句话总结

本文提出了一种基于最大后验概率（MAP）估计的无监督超声斑点噪声抑制与去噪方法，利用磁共振成像（MRI）衍生的归一化流先验。通过在高质量MRI图像块上训练归一化流以建模组织回波特性，该方法在无需成对干净-噪声超声数据的情况下，有效去除了模拟及在体超声图像的噪声，其在定量指标和主观视觉质量方面均优于非局部均值（NLM）和优化贝叶斯非局部均值（OBNLM）。

ABSTRACT

Ultrasonography offers an inexpensive, widely-accessible and compact medical imaging solution. However, compared to other imaging modalities such as CT and MRI, ultrasound images notoriously suffer from strong speckle noise, which originates from the random interference of sub-wavelength scattering. This deteriorates ultrasound image quality and makes interpretation challenging. We here propose a new unsupervised ultrasound speckle reduction and image denoising method based on maximum-a-posteriori estimation with deep generative priors that are learned from high-quality MRI images. To model the generative tissue reflectivity prior, we exploit normalizing flows, which in recent years have shown to be very powerful in modeling signal priors across a variety of applications. To facilitate generaliation, we factorize the prior and train our flow model on patches from the NYU fastMRI (fully-sampled) dataset. This prior is then used for inference in an iterative denoising scheme. We first validate the utility of our learned priors on noisy MRI data (no prior domain shift), and then turn to evaluating performance on both simulated and in-vivo ultrasound images from the PICMUS and CUBDL datasets. The results show that the method outperforms other (unsupervised) ultrasound denoising methods (NLM and OBNLM) both quantitatively and qualitatively.

研究动机与目标

• 为解决超声成像中斑点噪声导致图像质量下降并影响临床解读的问题。
• 开发一种无需成对干净-噪声超声数据的去噪方法，克服监督深度学习方法的局限性。
• 利用高质量MRI数据作为解剖结构先验，用于超声图像重建。
• 通过分层归一化流建模局部组织图像块统计特性，提升在多样化解剖结构上的泛化能力。
• 通过基于深度生成模型在MRI上训练的MAP优化，实现无监督、先验驱动的去噪。

提出的方法

• 在NYU fastMRI数据集提取的局部图像块上训练归一化流架构，以建模组织回声特性的先验分布。
• 将先验进行因子分解，以建模局部结构统计特性而非高层语义信息，从而增强对未见超声解剖结构的泛化能力。
• 采用迭代MAP推理方案，其中似然函数建模为高斯误差模型，假设噪声为白噪声。
• 通过一种图像块选择策略，从完整MRI图像中自动采样具有结构信息的图像块，以提升先验质量。
• 通过平衡数据保真度与学习到的生成先验，迭代优化以重建干净的超声图像。
• 该方法应用于模拟斑点噪声污染的超声数据以及PICMUS和CUBDL挑战赛的真实在体数据。

实验结果

研究问题

• RQ1 基于MRI的归一化流先验是否能在无需成对训练数据的情况下，有效抑制超声图像中的斑点噪声？
• RQ2 基于MRI的先验在多样化在体超声解剖结构（包括颈动脉、心肌组织等复杂结构）上是否具有良好泛化能力？
• RQ3 与传统无监督去噪算法（如NLM和OBNLM）相比，所提方法在定量指标和主观视觉质量方面是否表现更优？
• RQ4 与全局图像先验相比，分块因子化归一化流架构在多大程度上提升了泛化能力？
• RQ5 在低对比度区域，该方法是否能有效抑制噪声，同时保持解剖结构和边缘锐度？

主要发现

• 在模拟超声数据上，所提方法在不同噪声功率下，PSNR与SSIM指标均优于非局部均值（NLM）和优化贝叶斯非局部均值（OBNLM）。
• 在PICMUS与CUBDL数据集的真实在体超声图像上，该方法生成的图像更自然，块状伪影更少，且对细微结构的保真度优于NLM与OBNLM。
• 该方法保持了几何保真度，即使在MRI数据库中未包含完美圆形结构的情况下，也能正确保留低强度区域（如囊肿）的形状。
• 定性结果表明，该方法避免了NLM常见的“马赛克化”效应，且在去噪效果上优于OBNLM，同时保持了结构的真实性。
• 基于MRI的先验在不同解剖区域间表现出良好的泛化能力，如成功去噪CUBDL数据集中的心脏图像。
• 尽管未在超声数据上进行训练，该方法仍表现出优异性能，证明了基于MRI的先验在超声图像重建中的有效性。