摘要

我们提出了一种新颖的对抗性失真学习（ADL）方法，用于去噪二维和三维（2D/3D）生物医学图像数据。所提出的ADL由两个自编码器组成：一个去噪器和一个判别器。去噪器从输入数据中去除噪声，而判别器则将去噪结果与其无噪声的对应物进行比较。这一过程反复进行，直到判别器无法区分去噪数据与参考数据。去噪器和判别器均基于一种称为Efficient-Unet的自编码器构建。Efficient-Unet具有轻量级架构，通过在主干网络中使用残差块和一种新的金字塔方法来高效提取和重用特征图。在训练过程中，纹理信息和对比度由两个新提出的损失函数控制。Efficient-Unet的架构使得该方法可以泛化到任何类型的生物医学数据。我们的2D网络在ImageNet上进行了预训练，并在与ImageNet分布完全不同的生物医学数据集上进行了测试；因此，无需重新训练。实验结果显示，在磁共振成像（MRI）、皮肤镜检查、电子显微镜和X射线数据集上，所提出的方法在每个基准测试中均取得了最佳效果。我们的实现代码和预训练模型可在https://github.com/mogvision/ADL 获取。