Einbeziehung des strukturellen Ähnlichkeitsindex und des Regularisierungsbegriffs in das Neighbor2Neighbor-Modell für unüberwachtes Lernen zur effizienten Rauschunterdrückung von Ultraschallbilddaten

Die medizinische Ultraschallbildgebung wird umfassend für diagnostische Zwecke eingesetzt. Dennoch bleibt die Bildqualität ein großes Hindernis für eine höhere Genauigkeit. Konventionelle, überwachte Deep-Learning-Rauschunterdrückungsmethoden basieren häufig auf übereinstimmenden rauschfreien und verrauschten Bildpaaren, was in praktischen Ultraschallanwendungen äußerst herausfordernd sein kann. Darüber hinaus können bestehende unüberwachte Rauschunterdrückungsmethoden wie Neighbor2Neighbor aufgrund der Einschränkungen im Zusammenhang mit unabhängigen Störungen nicht effizient mit korreliertem Rauschen in Ultraschallbildern umgehen. In der Zwischenzeit verwenden diese Methoden eine zufällige Nachbarschafts-Downsampling-Technik, die häufig zu Pixelverlust führt. Daher schlägt diese Studie einen neuartigen Neighbor2Neighbor-Algorithmus vor, der Ultraschallbilder rekonstruiert, indem er den Downsampling-Ansatz verbessert. Darüber hinaus integriert er einen strukturellen Ähnlichkeitsindex und einen Regularisierungsbegriff, wodurch die Fähigkeit zur Unterdrückung von sowohl unabhängigen als auch korrelierten Störungen verbessert wird. Umfassende Experimente an einem Ultraschallbilddatensatz zeigen, dass der vorgeschlagene Neighbor2Neighbor-Algorithmus die modernen Vergleichsalgorithmen in Bezug auf das Spitzen-Signal-Rausch-Verhältnis (PSNR), den mittleren strukturellen Ähnlichkeitsindex (MSSIM), den Merkmalsähnlichkeitsindex (FSIM) und den Randbewahrungsindex (EPI) übertrifft.