// Modelle & Forschung 24.04.2025 · 16:39 Uhr 2 Min. Lesezeit

Innovative Ansätze zur Rauschreduzierung in der Low-Dose-Computertomographie durch selbstüberwachtes Lernen

Mindverse News

KI-gestützt erstellt 9 Quellen Arbeitsweise

Innovative Ansätze zur Rauschreduzierung in der Low-Dose-Computertomographie durch selbstüberwachtes Lernen — Symbolbild

Rauschreduzierung in der Low-Dose-Computertomographie: Ein neuer Ansatz durch selbstüberwachtes Lernen

Die Reduzierung von Bildrauschen ist in der Low-Dose-Computertomographie (LDCT) von entscheidender Bedeutung, um die diagnostische Genauigkeit zu verbessern und gleichzeitig die Strahlenbelastung für Patienten zu minimieren. Herkömmliche Rauschreduzierungsverfahren, die auf überwachtem Lernen basieren, benötigen große Mengen an Trainingsdaten mit Bildpaaren aus verrauschten und rauschfreien Aufnahmen. Die Beschaffung solcher Datensätze ist jedoch aufwendig und teuer. Selbstüberwachte Ansätze bieten eine vielversprechende Alternative, da sie ohne solche Paare auskommen. Viele dieser Methoden benötigen jedoch mehrere verrauschte Aufnahmen desselben Objekts und setzen auf komplexe neuronale Netze, deren Funktionsweise oft schwer nachvollziehbar ist.

Filter2Noise: Ein innovativer Ansatz

Eine neue Studie präsentiert einen innovativen Ansatz zur Rauschreduzierung in der LDCT: Filter2Noise (F2N). Dieses Verfahren nutzt selbstüberwachtes Lernen und benötigt nur eine einzige verrauschte Aufnahme für das Training. Im Kern von F2N steht ein sogenannter Attention-Guided Bilateral Filter. Dieser Filter wird durch ein kleines neuronales Netz gesteuert, das für jede Eingabe die optimalen Filterparameter berechnet. Die Parameter steuern die räumliche und farbliche Glättung des Bildes und können visualisiert und nach dem Training angepasst werden. Dies ermöglicht eine benutzerspezifische Rauschreduzierung in bestimmten Bereichen des Bildes, die für die Diagnose relevant sind.

Funktionsweise und Vorteile

Um das Training mit nur einem Bild zu ermöglichen, verwendet F2N eine neuartige Downsampling-Shuffle-Strategie in Kombination mit einer speziellen Verlustfunktion. Diese erweitert das Konzept von Noise2Noise auf Einzelbilder und berücksichtigt die räumliche Korrelation des Rauschens. Im Vergleich zu bestehenden selbstüberwachten Einzelbild-Methoden, wie ZS-N2N, erzielt F2N signifikant bessere Ergebnisse in Bezug auf den Peak Signal-to-Noise Ratio (PSNR). Darüber hinaus bietet F2N mehr Transparenz und Benutzerkontrolle und ist durch die geringe Anzahl an Parametern im neuronalen Netz sehr effizient.

Anwendungsbereiche und Ausblick

Die Interpretierbarkeit und die Möglichkeit der benutzerspezifischen Anpassung machen F2N besonders attraktiv für medizinische Anwendungen. Ärzte können die Parameter des Filters nach dem Training anpassen, um die Rauschreduzierung an spezifische diagnostische Anforderungen anzupassen und so die Bildqualität in kritischen Bereichen zu optimieren. Zukünftige Forschung könnte sich auf die Erweiterung von F2N auf andere Bildgebungsmodalitäten und die Integration in klinische Arbeitsabläufe konzentrieren. Die Entwicklung von robusten und interpretierbaren KI-Lösungen wie F2N trägt dazu bei, die diagnostischen Möglichkeiten in der Medizin zu verbessern und gleichzeitig die Strahlenbelastung für Patienten zu reduzieren.

Schlüsselmerkmale von Filter2Noise

- Interpretierbare Rauschreduzierung: Visualisierbare Filterparameter (σx, σy, σr) zum Verständnis des Rauschreduzierungsverhaltens. - Leichte Architektur: Nur 1.8k Parameter für einstufig (F2N-S1) und 3.6k für zweistufig (F2N-S2). - Selbstüberwachtes Lernen: Keine sauberen Referenzbilder für das Training erforderlich. - Benutzergesteuerte Rauschreduzierung: Anpassung der Filterparameter nach dem Training für regionenspezifische Rauschreduzierung.