Adaptive Extensions of Unbiased Risk Estimators for Unsupervised Magnetic Resonance Image Denoising

本文介绍了深度神经网络（DNN）在图像去噪方面的应用，尤其是在医学成像中普遍存在的复杂噪声情况下，挑战了传统的去噪方法。尽管传统和一些基于DNN的方法非常有效，但它们依赖于高质量、无噪声的真实图像，限制了它们的实际效用。为了解决这个问题，我们的工作引入了和基准测试了创新的无监督学习策略，特别是斯坦的无偏风险估计器（SURE）、它的扩展（eSURE）以及我们的新实现，即扩展泊松无偏风险估计器（ePURE），应用于医学成像框架中。本文在MRI数据上对这些方法进行了全面评估，这些数据受到高斯噪声和泊松噪声类型的影响，这是医学成像中典型的情况，但对大多数去噪算法来说都具有挑战性。我们的主要贡献在于有效地适应和实现SURE、eSURE和特别是ePURE框架用于医学图像，展示了它们在无法获得传统无噪声真实图像的环境中的鲁棒性和功效。

本文旨在解决医学成像领域中噪声复杂的情况下，传统去噪方法和基于深度神经网络的方法依赖于高质量无噪声的基准图像的问题，提出了无监督学习策略，包括Stein的无偏风险估计器（SURE），其扩展（eSURE）和新的实现，即扩展泊松无偏风险估计器（ePURE），并在医学成像框架中进行了全面评估。

本文提出了一种新的无监督学习策略，即扩展泊松无偏风险估计器（ePURE），用于医学成像领域中的图像去噪，解决了传统去噪方法和基于深度神经网络的方法依赖于高质量无噪声的基准图像的问题。

实验在医学成像领域中的MRI数据上进行，包括高斯噪声和泊松噪声，展示了SURE、eSURE和ePURE框架在医学图像去噪中的鲁棒性和有效性。论文的主要贡献在于对SURE、eSURE和ePURE框架在医学图像去噪中的有效适应和实现。论文还提供了开源代码。

最近的相关研究包括：1. 'Deep Learning for Image Denoising: A Survey'；2. 'Medical Image Denoising Using Convolutional Neural Networks: A Review'。