论文PDF免费下载：

https://link.springer.com/content/pdf/10.1007/s43657-021-00025-y.pdf

论文DOI链接:

https://link.springer.com/article/10.1007/s43657-021-00025-y

研究背景

低剂量CT（Low-dose CT，LDCT）图像中具有较多的噪声，虽然对患者来说，较低的辐射剂量可以降低对身体的伤害，但是对于医生而言，图像中的噪声会影响其对疾病的诊断，例如，细小的肺结节可能会因噪声影响而更难被发现。因此，对低剂量CT图像进行去噪将有助于提高临床医生的诊断准确率。近年来，基于深度学习的图像去噪技术在有监督（Supervised）的学习框架下，实现了对LDCT图像较好的去噪性能。然而，在实际的临床环境中，很难获得同一LDCT图像所对应的正常剂量CT（Normal dose CT，NDCT）图像，极大限制了监督学习方法在临床上的应用。

为解决上述问题，本文研究者提出了一种基于深度学习的自监督（Self-supervised）LDCT图像去噪方法，称为Strided Noise2Neighbors (SN2N)，实现了在没有NDCT图像作为监督信息的情况下，可以得到对LDCT较好的去噪效果。同时，作者还通过对肺结节的LDCT图像进行自监督去噪和有监督分类的联合训练，发现自监督去噪在联合训练的框架下，能有效提升分类任务的性能。

研究方法

1. 监督学习去噪模型

图1 提出的去噪-分类框架。a SN2N去噪模块，b 不同步长的屏蔽机制，c 去噪-分类联合训练框架

3.实验数据

对去噪性能的评估使用了Mayo LDCT数据集https://wiki.cancerimagingarchive.net/pages/viewpage.action?pageId=52758026，对联合训练的肺结节分类使用了LIDC-IDRI数据集https://wiki.cancerimagingarchive.net/display/Public/LIDC-IDRI。

研究结果

1. 去噪性能对比

表1中，研究者对比了SN2N与现有的自监督学习方法的去噪性能，监督学习（Supervised）的性能作为该实验的性能上限。SN2N得到了除监督学习外的最优PSNR，对于SSIM，SN2N和N2N方法达到了与监督学习相当的性能，这是由于SN2N和N2N都没有改变原始LDCT图像中的像素信息，而N2V和N2S都对原图做了屏蔽操作，这可能导致屏蔽像素与其邻居的不连续性。

表1 不同方法的去噪性能对比，去噪主干网络为RED-CNN[1]。

图2和图3分别为腹部和肺部的图像去噪效果对比，其中给出了局部的放大对比结果。从子图f、g可以看出，N2V和N2S会产生一些不连续的伪影，作者认为这是由于其随机屏蔽的机制导致的。在去噪的同时，SN2N的结果（子图h）也保留了一些必要的纹理信息，在平滑和纹理保持方面取得了折中。

图2 Mayo LDCT数据上的腹部图像去噪效果。a LDCT; b NDCT; c K-SVD; d Supervised; e N2N; fN2V; g N2S; h SN2N (Ours). 

图3 Mayo LDCT数据上的肺部图像去噪效果。a LDCT; b NDCT; c K-SVD; d Supervised; e N2N; fN2V; g N2S; h SN2N (Ours).

2. 联合训练对分类性能的提升

相比于直接将LDCT肺结节图像作为模型输入进行分类，本研究通过将提出的SN2N和分类网络联合训练的策略进一步提升了LDCT的分类性能。表2中给出了不同自监督去噪方法与分类任务结合的分类结果。

表2 利用不同自监督去噪方法的联合训练分类性能对比

讨论及研究的意义

本研究提出了自监督的LDCT图像去噪方法，在没有NDCT图像作为监督信息的情况下，去噪的定量和定性结果接近相应的监督学习方法的性能，更适用于实际的临床诊断环境。同时，本研究验证了该自监督去噪方法有助于提高LDCT图像的分类性能。

复旦大学雷一鸣（博士在读）为本文的第一作者，单洪明青年研究员为本文通讯作者。本研究得到如下项目资助：国家自然科学基金项目（No. 62101136），上海市科技计划项目（No. 20JC1419500），上海市杨帆计划项目（No. 21YF1402800），上海市科技重大专项（No. 2018SHZDZX01），张江实验室，上海脑科学与类脑技术中心，国家重点研发计划（No. 2018YFB1305104），上海市自然科学基金项目（No. 21ZR1403600）。

参考文献：

[1] Chen H, Zhang Y, Kalra MK et al (2017) Low-dose CT with a residual encoder-decoder convolutional neural network. IEEE Transactions on Medical Imaging 36(12), 2524–2535. https://doi.org/10.1109/TMI.2017.2715284

[2] Batson J, Royer L (2019): Noise2Self: Blind denoising by self-supervision. Proceedings of International Conference on Machine Learning (ICML) pp. 524–533.

[3] Krull A, Buchholz TO, Jug F (2019) Noise2Void: learning denoising from single noisy images. In: Proceedings of the IEEE Conference Computer Vision Pattern Recognition (CVPR), pp. 2129–2137. https://doi.org/10.1109/CVPR.2019.00223

[4] Lehtinen J, Munkberg J, Hasselgren J et al (2018) Noise2Noise: Learning image restoration without clean data. Proceedings of International Conference on Machine Learning (ICML) pp. 2965–2974.

Abstract

Lung nodule classification based on low-dose computed tomography (LDCT) images has attracted major attention thanks to the reduced radiation dose and its potential for early diagnosis of lung cancer from LDCT-based lung cancer screening. However, LDCT images suffer from severe noise, largely influencing the performance of lung nodule classification. Current methods combining denoising and classification tasks typically require the corresponding normal-dose CT (NDCT) images as the supervision for the denoising task, which is impractical in the context of clinical diagnosis using LDCT. To jointly train these two tasks in a unified framework without the NDCT images, this paper introduces a novel self-supervised method, termed strided Noise2Neighbors or SN2N, for blind medical image denoising and lung nodule classification, where the supervision is generated from noisy input images. More specifically, the proposed SN2N can construct the supervision information from its neighbors for LDCT denoising, which does not need NDCT images anymore. The proposed SN2N method enables joint training of LDCT denoising and lung nodule classification tasks by using self-supervised loss for denoising and cross-entropy loss for classification. Extensively experimental results on the Mayo LDCT dataset demonstrate that our SN2N achieves competitive performance compared with the supervised learning methods that have paired NDCT images as supervision. Moreover, our results on the LIDC-IDRI dataset show that the joint training of LDCT denoising and lung nodule classification significantly improves the performance of LDCT-based lung nodule classification.

Phenomics期刊简介

Phenomics是一本新创的同行评审国际期刊，聚焦表型组学前沿研究，搭建全球表型组学领域专家交流的国际平台，推动该领域相关的理论创新和学科发展。

本期刊拥有强大的国际编委团队，复旦大学金力院士担任主编，美国系统生物学研究所Leroy Hood院士、澳大利亚莫道克大学Jeremy Nicholson院士、德国莱布尼兹环境医学研究所Jean Krutmann院士、复旦大学唐惠儒教授共同担任副主编，复旦大学丁琛教授担任执行主编，另有来自全球多国的三十多位著名科学家共同组成编委团队，以及四十多位青年科学家组成青年编委团队。

我们诚挚地邀请广大科研人员投稿！ 

Phenomics官网：https://www.springer.com/journal/43657

投稿链接：https://www.editorialmanager.com/pnmc/

编辑部邮箱：phenomics@ihup.org.cn、phenomics@fudan.edu.cn

欢迎关注Phenomics官方公众号

文章来源：人类表型组计划公众号