Speckle Noise Reduction in Ultrasound Images using Denoising Auto-encoder with Skip Connection

超声波是一种广泛使用的非侵入性医疗工具，但其图像通常包含斑点噪声，这可能会降低其分辨率和对比噪声比。这会使得从图像中提取、识别和分析特征变得更加困难，同时也会影响计算机辅助诊断技术的准确性以及医生解读图像的能力。因此，减少斑点噪声是超声波图像预处理的关键步骤。研究人员提出了几种斑点降噪方法，但没有一种方法考虑到所有相关因素。本文比较了七种这样的方法：中值、高斯、双边、平均、维纳、各向异性和去噪自编码器，无论是否具有跳跃连接，从保留特征和边缘的能力以及有效降噪的角度进行比较。在实验研究中，使用具有跳跃连接的卷积降噪自编码器，一种深度学习方法，来改善乳腺癌的超声图像。该方法涉及在不同水平添加斑点噪声。将深度学习方法的结果与传统图像增强方法进行比较，发现所提出的方法更加有效。为了评估这些算法的性能，我们使用了三个已建立的评估指标，并呈现了过滤后的图像和统计数据。

本论文旨在比较七种去除超声图像中斑点噪声的方法，以及使用深度学习方法来提高乳腺癌超声图像的质量。

论文使用深度学习方法中的卷积去噪自编码器来降低超声图像中的斑点噪声，并与传统图像增强方法进行比较，发现其效果更好。

论文使用了七种常见的图像去噪方法，并对比了它们在保留图像特征和边缘的能力以及降噪效果方面的表现。实验使用了添加不同程度斑点噪声的乳腺癌超声图像。论文还使用了三种评估指标来评估算法的性能，并提供了过滤后的图像和统计数据。

近期的相关研究包括：1.基于深度学习的图像去噪方法的研究；2.超声图像处理中的其他降噪方法的比较研究。