19、医学图像无监督伪影去除技术解析

医学图像无监督伪影去除技术解析

1. 无监督学习方法在医学图像重建中的应用

在医学图像重建领域，无监督学习方法正发挥着越来越重要的作用。传统的有监督学习需要大量配对的训练数据，然而在实际临床应用中，获取这样的数据往往是困难的。因此，无监督学习方法成为了解决医学图像重建问题的新途径。

1.1 自监督学习方法概述

自监督学习旨在仅使用低质量图像样本训练深度图像到图像网络，以实现医学图像的重建。其核心是建立网络预测与输入（或输入的变体）之间的对应关系。以下介绍几种常见的自监督学习方法及其目标函数。

1.1.1 Noise2Noise

假设存在一组配对的噪声图像 (P = {(X_a^i, X_{a’}^i) | X_a^i = X_i + A_i, X_{a’}^i = X_i + A’ i}_i)，其中 (X_i) 是干净图像，(A_i) 和 (A’_i) 是从噪声分布 (A) 中独立采样的噪声。目标是训练一个深度图像到图像网络 (\hat{X} = g(X_a)) 来减少 (X_a) 中的噪声。训练 (g) 的损失函数为：
[L {Noise2Noise} = \frac{1}{N} \sum_{i=1}^{N} |g(X_a^i) - X_{a’}^i|^2]
由于噪声 (A) 的均值为零，且 (A_i) 和 (A’_i) 相互独立，对于无限数据集，使用噪声目标最小化该损失函数与使用真实标签 (X_i) 最小化是等效的。

1.1.2 Noise2Void

Noise2Noise 方法在实践中效果良好，但需要配对的噪声图像进行训练，这在医学图像重建中