[论文翻译]医学图像去噪的对抗性失真学习

我们提出了一种新颖的对抗性失真学习(ADL)方法，用于对二维和三维(2D/3D)生物医学图像数据进行去噪。该ADL方法部署了两个相互连接的自动编码器：去噪器和判别器。去噪器的主要功能是有效消除输入数据中的噪声，而判别器则负责评估并比较去噪图像与无噪声参考图像。这个迭代过程将持续进行，直到判别器无法区分去噪数据与对应的参考图像为止。去噪器和判别器的基础架构均基于我们提出的Efficient-UNet。Efficient-UNet采用了一种新颖的多尺度架构，有效利用残差块，并在主干网络中引入了一种新的金字塔式方法，以促进纹理特征的高效提取和特征图的重用。通过这种创新的架构设计，该模型确保了去噪数据在局部和全局属性上的一致性。传统对抗学习方法往往难以保留关键的纹理、全局和局部数据表征。我们提出的Efficient-UNet配备了两个新颖的损失函数，在训练阶段保留固有纹理信息和对比度以克服这一局限。我们将所提出的ADL方法推广到任何生物医学数据。网络的2D版本在自然图像上训练，并在与自然图像分布完全不同的生物医学数据集上测试，因此无需重新训练。在磁共振成像(MRI)、皮肤镜、电子显微镜和X射线数据集上的实验表明，该方法在每个基准测试中都达到了最先进的去噪性能。我们的实现和预训练模型可在https://github.com/mogvision/ADL获取。