一种用于动脉自旋标记灌注图像去噪的从噪声中学习扩张宽激活网络
图像与视频处理
2020-05-19 v1 计算机视觉与模式识别
机器学习
摘要
动脉自旋标记（ASL）灌注 MRI 提供了一种量化脑血流量（CBF）的无创方法，但仍受低信噪比（SNR）困扰。使用深度机器学习（DL），若干团队展示了令人鼓舞的去噪结果。有趣的是，由于缺乏金标准高质量 ASL CBF 图像，当深度神经网络使用噪声污染的替代参考训练时获得了改进。更引人注目的是，这些 DL ASL 网络（ASLDN）的输出显示出甚至高于替代参考的 SNR。该现象表明深度网络对 ASL CBF 图像去噪具有从噪声中学习的能力，并可通过网络优化进一步增强。本研究中，我们提出一种新 ASLDN 以测试在高度噪声训练参考情况下是否能达到相似甚至更好的 ASL CBF 图像质量。进行了不同实验以验证从噪声中学习假设。结果显示从噪声中学习策略比用相对较高 SNR 参考训练的 ASLDN 产生更好输出质量。
引用
@article{arxiv.2005.07784,
title = {A Learning-from-noise Dilated Wide Activation Network for denoising Arterial Spin Labeling (ASL) Perfusion Images},
author = {Danfeng Xie and Yiran Li and Hanlu Yang and Li Bai and Lei Zhang and Ze Wang},
journal= {arXiv preprint arXiv:2005.07784},
year = {2020}
}