Filter2Noise: 带注意力引导双边滤波的可解释自监督单图像去噪在低剂量CT中的应用

有效的降噪技术对于低剂量CT成像至关重要，它能够增强细微结构和低对比度病灶，同时防止诊断错误。监督学习方法在有限的配对数据集上难以取得良好效果，而自监督方法通常需要多张噪声图像，并依赖于深度网络如U-Net，这使得降噪机制难以理解。为了解决这些问题，我们提出了一种可解释的自监督单图像降噪框架——Filter2Noise（F2N）。我们的方法引入了一种注意力引导的双边滤波器，通过一个轻量级模块预测空间变化的滤波参数，这些参数可以在训练后进行可视化和调整，从而实现用户对特定感兴趣区域的可控降噪。为了实现单图像训练，我们提出了一种新颖的下采样混洗策略，并引入了一个新的自监督损失函数，该函数将Noise2Noise的概念扩展到单张图像，并解决了空间相关噪声的问题。在梅奥诊所2016年低剂量CT数据集上，F2N在峰值信噪比（PSNR）上比领先的自监督单图像方法（ZS-N2N）高出4.59 dB，并且提高了透明度、用户控制能力和参数效率。这些特性为需要精确且可解释噪声减少的医学应用提供了关键优势。我们的代码可在https://github.com/sypsyp97/Filter2Noise.git 上获取。