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

本文介绍了深度神经网络(DNNs)在图像去噪方面的应用，尤其是在医学成像中存在复杂噪声情况的挑战。尽管传统方法和一些基于DNN的方法非常有效，但它们依赖于高质量的无噪声基准图像，这限制了它们的实际效用。为了应对这一问题，我们的工作引入并评估了创新的无监督学习策略，特别是Stein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)，在医学成像框架中进行了基准测试。本文在MRI数据上对这些方法进行了全面评估，这些数据受到高斯和泊松噪声类型的影响，这是医学成像中典型的场景，但对大多数去噪算法来说都是具有挑战性的。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基准的环境中的鲁棒性和功效。

本文旨在解决医学成像中常见的高斯和泊松噪声类型对图像去噪的挑战，通过介绍和比较Stein's Unbiased Risk Estimator (SURE)、其扩展版本(eSURE)和新实现的Extended Poisson Unbiased Risk Estimator (ePURE)的无监督学习策略，提高去噪算法的实用性。

本文的关键思路是在医学图像领域中有效地应用SURE、eSURE和ePURE框架，展示它们在无法获得传统无噪声基准图像的环境中的稳健性和功效。

本文在MRI数据上进行了全面的评估，使用了Gaussian和Poisson噪声类型，实现了SURE、eSURE和ePURE框架的有效适应和实现，证明了它们的鲁棒性和功效。本文的实验数据集和代码都已经公开。

与本文相关的研究包括使用DNN的图像去噪方法，以及其他基于SURE框架的无监督学习策略，如SURE-LET和SURE-VP等。