论文标题：A Universal Deep Learning Framework for Real-Time Denoising of Ultrasound Images 论文链接：https://arxiv.org/abs/2101.09122 作者单位：CNR-IMATI等 本文提出了一种用于超声图像实时去噪的通用深度学习框架，其保留了基础图像的主要特征(例如边缘，灰度)，同时满足了工业和生产要求(例如实时计算，存储开销，硬件配置)。

由于采集方法的效率和非侵入性，超声图像在医学诊断中广泛用于肌肉骨骼，心脏病和产科疾病。但是，超声采集会在信号中引入斑点噪声，这会破坏所得图像并影响进一步的处理操作，以及医学专家进行的视觉分析以估计患者的疾病。我们的主要目标是为超声图像的实时去噪定义通用的深度学习框架。我们分析和比较用于平滑超声图像的最新技术（例如，频谱，低秩和深度学习去噪算法），以便在准确性，保留解剖特征方面选择最佳方法，以及计算成本。然后，我们提出了选定的最新去噪方法（例如WNNM）的调整版本，以提高去噪图像的质量，并将其适用性扩展到超声图像。为了处理与应用和工业需求有关的大量超声图像数据，我们引入了一种利用深度学习和HPC工具的去噪框架，并允许我们在实际的环境中复制最新去噪方法的结果。

内容中包含的图片若涉及版权问题，请及时与我们联系删除