基于深度学习的无监督磁共振图像去噪方法
MRI图像是一种以不同灰度显示不同结构的解剖和病理的断面图像，广泛应用于疾病的检测、诊断以及治疗监测。然而，MRI图像的成像过程往往伴随着随机噪声，这导致了低质MRI图像的产生。MRI图像的质量不仅会影响医生对患者病情的判断，还会降低图像配准、图像分割和图像分类等工作的准确性。图像去噪可以提高给定图像的质量，解决随机噪声引起的图像退化的问题。
卷积神经网络在图像识别领域取得了良好的成果。随后，基于卷积神经网络的图像去噪算法并也引起了研究人员的注意。其中，DnCNN，PRI-PB-CNN，MIFCN等方法具有很强的扩展性，不仅对自然图像有很好的去噪效果，而且可以很好地应用于MRI图像去噪。生成对抗网络在生成真实图像方面有很大的优势，因此研究人员将生成对抗网络和卷积神经网络结合起来进行图像去噪。本文的主要贡献可以总结如下：1) 提出了一种基于生成对抗网络的无监督学习方法用于医学图像去噪，并且该方法不需要成对训练的数据；2) 用解缠表示分离低质MRI图像的内容信息和噪声信息。在汉斯出版社《计算机科学与应用》期刊中，有学者提出了一种基于深度学习的无监督图像去噪方法来获得高质量的自然图像和MRI图像。
不为了验证我们提出模型的性能，我们将其与经典的图像去噪方法各向异性扩散滤波(AnisoticDiffusionFilter，简称ADF)和基于深度学习的无监督图像去噪方法CycleGAN进行了比较。我们使用从SBD获得的合成MRI数据(T1w和PDw)进行实验。测试数据为带有5%、10%、15%、20%、25%、30%的莱斯噪声的T1w图像和PDw图像。
对比可以看出我们的去噪方法达到了良好的视觉效果。随着莱斯噪声强度的增加，ADF去噪结果中包含的噪声越来越明显。当噪声强度超过20%后，残余噪声已严重影响到了视觉性能。CycleGAN和我们提出的方法能够有效地除去噪声。
为了证明我们提出方法的鲁棒性，我们对不同莱斯噪声水平的PDw图像进行了实验。实验结果可以看出我们的方法可以适应不同噪声强度下的去噪工作。随着噪声强度的增加，HDF结果残余的噪声逐渐增大。当噪声强度超过20%时，未去除的噪声已严重影响视觉性能。随着噪声水平的增加，Cyclegan的去噪结果显示出奇怪的纹理。
当噪声强度小于15%时，我们的方法达到了最佳的PSNR值。当噪声强度增大时，我们的算法仍能得到较高的PSNR值。当噪声强度小于10%时，使用ADF得到的去噪结果SSIM值最优。之后，Cyclegan的结果超过ADF达到了最优值。
除去低质MRI图像中的噪声获得高质MRI图像具有重要意义。本文提出了一种基于生成对抗网络的无监督图像去噪算法。模型通过解缠表示将噪声图像的内容信息和噪声信息分开，并使用KL散度损失对噪声的分布进行正则化。模型采用感知损失和循环一致损失来保证噪声图像和去噪图像之间内容信息的一致性。将对抗损失添加到模型中，以生成更真实的MRI图像。实验结果表明我们提出的方法具有较好的去噪效果。
由于该模型的参数量比较大，所以对训练平台有一定要求。因此，我们计划优化网络结构，在不影响去噪性能的前提下减少模型参数的数量。