RelativeFlow: 잡음 참조 데이터를 활용한 의료 영상 잡음 제거 학습 방법

RelativeFlow: Taming Medical Image Denoising Learning with Noisy Reference

의료 영상 잡음 제거(MID)는 완벽하게 깨끗한 이미지를 사용하여 학습하기 어렵기 때문에, 잡음이 포함된 참조 데이터 문제를 야기하며, 이는 잡음 제거 성능에 근본적인 한계를 초래합니다. 기존의 시뮬레이션 기반 지도 학습(SimSDL) 및 생성 학습(SimSGL) 방법은 잡음이 포함된 참조 데이터를 깨끗한 목표 데이터로 취급하여, 최적의 수렴을 이루지 못하거나 참조 데이터에 편향된 학습 결과를 초래합니다. 반면, 자기 지도 학습(SSL)은 현실적인 MID 시나리오에서 충족하기 어려운 제한적인 잡음 가정을 적용합니다. 본 연구에서는 다양한 잡음 특성을 가진 참조 데이터를 활용하고, 입력 데이터를 임의의 품질 수준에서 통합된 고품질 목표 데이터로 변환하는 프레임워크인 extbf{RelativeFlow}를 제안합니다. RelativeFlow는 절대적인 잡음-깨끗한 이미지 매핑을 상대적인 잡음-잡음 매핑으로 분해하여 플로우 매칭을 재구성하며, 이를 위해 두 가지 핵심 구성 요소를 사용합니다. 첫째, 일관된 변환(CoT)은 상대적인 플로우를 구성 요소로 포함하고 점진적으로 통합된 절대적인 플로우를 생성하는 변위 맵입니다. 둘째, 시뮬레이션 기반 속도장(SVF)은 모달리티별로 특정한 저하 연산자를 사용하여 학습 가능한 속도장을 구축하여 다양한 의료 영상 모달리티를 지원합니다. 컴퓨터 단층 촬영(CT) 및 자기 공명 영상(MR) 잡음 제거에 대한 광범위한 실험 결과, RelativeFlow가 기존 방법보다 현저히 우수한 성능을 보이며, 잡음 참조 데이터를 활용한 MID 문제를 효과적으로 해결함을 보여줍니다.

Medical image denoising (MID) lacks absolutely clean images for supervision, leading to a noisy reference problem that fundamentally limits denoising performance. Existing simulated-supervised discriminative learning (SimSDL) and simulated-supervised generative learning (SimSGL) treat noisy references as clean targets, causing suboptimal convergence or reference-biased learning, while self-supervised learning (SSL) imposes restrictive noise assumptions that are seldom satisfied in realistic MID scenarios. We propose \textbf{RelativeFlow}, a flow matching framework that learns from heterogeneous noisy references and drives inputs from arbitrary quality levels toward a unified high-quality target. RelativeFlow reformulates flow matching by decomposing the absolute noise-to-clean mapping into relative noisier-to-noisy mappings, and realizes this formulation through two key components: 1) consistent transport (CoT), a displacement map that constrains relative flows to be components of and progressively compose a unified absolute flow, and 2) simulation-based velocity field (SVF), which constructs a learnable velocity field using modality-specific degradation operators to support different medical imaging modalities. Extensive experiments on Computed Tomography (CT) and Magnetic Resonance (MR) denoising demonstrate that RelativeFlow significantly outperforms existing methods, taming MID with noisy references.