- 3 次围观
奇异值分解（singular value decomposition，SVD）是医学超快超声成像中用于杂波抑制的基准策略，但经 SVD 滤波后的图像仍保留残余噪声底，从而掩盖深部的微血管信号。监督式去噪无法解决这一问题，因为不存在无噪声参考图像；而且，大多数基于物理的替代方法都需要射频或同相正交数据，而临床扫描仪通常无法提供这些数据。我们提出了 SVD SN2N，这是一种完全作用于 SVD 后图像的自监督 Noise2Noise 框架，既不需要无噪声目标，也不需要访问通道级数据。我们的核心贡献在于证明：SVD 滤波图像中的残余波动主要由乘性散斑构成，这违背了 Noise2Noise 理论关于零均值加性噪声的假设；同时，单次对数压缩可将其转换为加性扰动，使其方差不再依赖于信号，从而恢复该框架所需的条件。经过对数压缩的图像通过对角线 2×2 重采样被分割为两个统计独立的半尺寸副本，再通过傅里叶零填充插值进行重缩放，并在自约束双预测损失下用于训练 U-Net。我们通过测量残余噪声分布、其空间相关性以及对角像素对之间的信号相似性，直接检验了上述基本假设；同时，在四个具有异质性的数据集上验证了该框架，这些数据集涵盖临床前与临床、增强对比与无对比，以及二维到三维等不同场景。与传统 SVD 相比，SVD SN2N 将图像推导的信噪比提高了 4.2～10.6 dB，并使表观血管半高全宽缩小了 34%～59%，从而提供了一种适用于临床扫描仪所能获得的纯图像数据的 SVD 后端去噪前端。
SVD-SN2N：用于对数压缩SVD滤波超声成像去噪的自启发式Noise2Noise学习 | bioRxiv
跳转至主要内容 首页 关于 投稿 提醒 / RSS 搜索该关键词 高级搜索 最新结果
SVD-SN2N：用于对数压缩SVD滤波超声成像去噪的自启发式Noise2Noise学习
Ge Zhang， Eric Buffle， Nicolas Samuel，Jean ZUCKER， Thomas Deffieux， Nathalie Ialy-radio， Mathieu Pernot， Sophie Pezet， Mickael Tanter
doi： https://doi.org/10.64898/2026.09.10.750668
Ge Zhang 1 巴黎医学物理研究所（Physics for Medicine Paris），INSERM U1273，巴黎高等物理化学工业学院（ESPCI Paris），巴黎文理研究大学（PSL University），法国国家科学研究中心（CNRS）；
在Google Scholar中查找该作者 在PubMed中查找该作者 在本网站搜索该作者
通讯作者： ge.zhang{at}inserm.fr
Eric Buffle 2 巴黎医学物理研究所（Physics for Medicine Paris），INSERM U1273，巴黎高等物理化学工业学院（ESPCI Paris），巴黎文理研究大学（PSL University），法国国家科学研究中心（CNRS），法国巴黎75012；
在Google Scholar中查找该作者 在PubMed中查找该作者 在本网站搜索该作者
Nicolas Samuel，Jean ZUCKER 3 巴黎医学物理研究所（Physics for Medicine Paris）；
在Google Scholar中查找该作者 在PubMed中查找该作者 在本网站搜索该作者
Thomas Deffieux 4 法国国家健康与医学研究院（Inserm）；
在Google Scholar中查找该作者 在PubMed中查找该作者 在本网站搜索该作者
Nathalie Ialy-radio 2 巴黎医学物理研究所（Physics for Medicine Paris），INSERM U1273，巴黎高等物理化学工业学院（ESPCI Paris），巴黎文理研究大学（PSL University），法国国家科学研究中心（CNRS），法国巴黎75012；
在Google Scholar中查找该作者 在PubMed中查找该作者 在本网站搜索该作者
Mathieu Pernot 2 巴黎医学物理研究所（Physics for Medicine Paris），INSERM U1273，巴黎高等物理化学工业学院（ESPCI Paris），巴黎文理研究大学（PSL University），法国国家科学研究中心（CNRS），法国巴黎75012；
在Google Scholar中查找该作者 在PubMed中查找该作者 在本网站搜索该作者
Sophie Pezet 5 “医学物理”实验室，巴黎高等物理化学工业学院，Inserm U1273
在Google Scholar中查找该作者 在PubMed中查找该作者 在本网站搜索该作者
Mickael Tanter 2 巴黎医学物理研究所（Physics for Medicine Paris），INSERM U1273，巴黎高等物理化学工业学院（ESPCI Paris），巴黎文理研究大学（PSL University），法国国家科学研究中心（CNRS），法国巴黎75012；
在Google Scholar中查找该作者 在PubMed中查找该作者 在本网站搜索该作者
摘要
信息/历史 指标 预览PDF
摘要
奇异值分解（SVD）是医学超快超声成像中用于杂波抑制的标准方法，但经SVD滤波后的图像仍保留残余噪声底，从而掩盖了深部的微血管信号。监督式去噪无法解决这一问题，因为不存在干净的参考图像；而大多数基于物理的替代方法则需要射频数据或同相/正交（IQ）数据，这些数据通常无法由临床扫描仪提供。我们提出SVD-SN2N，一种完全基于SVD后图像运行的自监督Noise2Noise框架，既不需要干净目标，也不需要访问通道级数据。我们的核心贡献在于证明：SVD滤波图像中的残余波动主要由乘性散斑构成，这违反了Noise2Noise理论关于加性噪声具有零均值的假设；而单次对数压缩可以将其转换为加性扰动，使其方差不再依赖于信号，从而恢复该框架所需的条件。我们通过对角线2×2重采样，将对数压缩图像分割为两个在统计上相互独立的、尺寸减半的副本；随后利用傅里叶零填充插值对其重新缩放，并在自约束双重预测损失下训练U-Net。我们通过直接测量残余噪声分布、空间相关性以及对角像素对内的信号相似性，对相关基本假设进行了评估；同时，在四个具有异质性的数据集上验证了该框架，这些数据集涵盖临床前与临床、造影增强与非造影增强，以及二维至三维等不同场景。与传统SVD相比，SVD-SN2N使图像计算信噪比提高了4.2至10.6 dB，并使表观血管半高全宽缩小了34%至59%，从而提供了一种适用于临床扫描仪可获得的纯图像数据的SVD后端去噪前端。
利益冲突声明
T. Deffieux和M. Tanter是Iconeus（法国巴黎）的共同创始人及股东。Iconeus生产用于采集数据集3的Iconeus One扫描仪。其余版权
本预印本的。
本文依据以下许可协议公开： CC-BY-NC-ND 4.0国际许可协议。
返回顶部 上一页 下一页
发表于2026年9月13日。
下载PDF 电子邮件
感谢您有兴趣传播bioRxiv上的内容。
注意：请求您的电子邮箱地址仅用于确认邮件发送者身份。
您的电子邮箱 *
您的姓名 *
发送至 *
请输入多个地址，每行一个，或使用逗号分隔。
您将要发送以下内容：
SVD-SN2N：用于对数压缩SVD滤波超声成像去噪的自启发式Noise2Noise学习
邮件主题
（您的姓名）从bioRxiv网站转发了一个页面给您
邮件正文
（您的姓名）认为您可能会对bioRxiv网站上的这一页面感兴趣。
您的个人留言：
验证码
此问题用于确认您是人类访客并防止自动垃圾邮件提交。
分享
SVD-SN2N：用于对数压缩SVD滤波超声成像去噪的自启发式Noise2Noise学习
Ge Zhang， Eric Buffle， Nicolas Samuel，Jean ZUCKER， Thomas Deffieux， Nathalie Ialy-radio， Mathieu Pernot， Sophie Pezet， Mickael Tanter
bioRxiv 2026.09.10.750668； doi： https://doi.org/10.64898/2026.09.10.750668
分享本文：
复制
引文工具
SVD-SN2N：用于对数压缩SVD滤波超声成像去噪的自启发式Noise2Noise学习
Ge Zhang， Eric Buffle， Nicolas Samuel，Jean ZUCKER， Thomas Deffieux， Nathalie Ialy-radio， Mathieu Pernot， Sophie Pezet， Mickael Tanter
bioRxiv 2026.09.10.750668； doi： https://doi.org/10.64898/2026.09.10.750668
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.10.750668v1?rss=1
🏷️ 超声成像去噪 奇异值分解滤波 Noise2Noise自监督学习 乘性散斑噪声 对数压缩 微血管成像