RelativeFlow：ノイズのある参照で医用画像のデノイズ学習を制御する

Abstract

医用画像のデノイズ（MID）には、教師となるための絶対にクリーンな画像が欠けており、その結果、ノイズの多い参照問題が生じ、デノイズ性能を本質的に制限します。既存のシミュレーションに基づく教師あり識別学習（SimSDL）およびシミュレーションに基づく教師あり生成学習（SimSGL）では、ノイズの多い参照をクリーンなターゲットとして扱うため、収束が最適でなくなったり、参照に偏った学習が起きたりします。一方、自己教師あり学習（SSL）は、過度に制約されたノイズ仮定を課しており、現実的なMIDシナリオでそれが満たされることはほとんどありません。本研究では、 \textbf{RelativeFlow} を提案します。これは、異種のノイズの多い参照から学習し、入力を任意の品質レベルから統一された高品質なターゲットへ導く、フローマッチングの枠組みです。RelativeFlow は、絶対的なノイズからクリーンへの写像を、相対的に「よりノイズが多い」から「ノイズの多い」への写像へと分解することで、フローマッチングを再定式化し、この定式化を2つの主要な構成要素によって実現します。1) 一貫した輸送（CoT）。これは、相対フローを、統一された絶対フローの構成要素であり、かつそれが段階的に合成されるものとして制約する変位マップであり、2) シミュレーションに基づく速度場（SVF）。これは、モダリティ固有の劣化演算子を用いて学習可能な速度場を構築し、異なる医用画像モダリティを支援します。計算機断層撮影（CT）および磁気共鳴（MR）のデノイズに関する大規模な実験により、RelativeFlow が既存手法を大幅に上回り、ノイズの多い参照による MID を抑え込めることを示します。