使用引导去噪卷积神经网络加速前列腺扩散加权 MRI：回顾性可行性研究
摘要
目的：研究通过减少采集平均次数并使用所提出的引导去噪卷积神经网络（DnCNN）对所得图像进行去噪，来加速前列腺扩散加权成像（DWI）的可行性。材料与方法：回顾性收集了 2018 年 7 月至 2019 年 7 月间来自六台同厂商 MRI 扫描仪的前列腺 DWI 扫描原始数据。118 个数据集用于训练和验证（年龄：64.3 ± 8 岁），37 个用于测试（年龄：65.1 ± 7.3 岁）。高 b 值扩散加权（hb-DW）数据使用两次平均重建为含噪图像，使用全部十六次平均重建为参考图像。将常规 DnCNN 改进为引导 DnCNN，其使用低 b 值 DWI 图像作为引导输入。对去噪后的 hb-DW 图像进行了定量和定性阅片评估。使用累积链接混合回归模型比较阅片者评分。使用 Bland Altman 分析评估表观扩散系数（ADC）图（去噪 vs 参考）之间的一致性。结果：与 DnCNN 相比，引导 DnCNN 产生的去噪 hb-DW 图像具有更高的峰值信噪比和结构相似性指数，以及更低的归一化均方误差（p < 0.001）。与参考图像相比，去噪图像获得了更高的图像质量评分（p < 0.0001）。基于去噪 hb-DW 图像的 ADC 值与参考 ADC 值具有良好的一致性。结论：通过减少采集平均次数并使用所提出的引导 DnCNN 对所得图像进行去噪来加速前列腺 DWI 在技术上是可行的。
引用
@article{arxiv.2007.00121,
title = {Accelerating Prostate Diffusion Weighted MRI using Guided Denoising Convolutional Neural Network: Retrospective Feasibility Study},
author = {Elena A. Kaye and Emily A. Aherne and Cihan Duzgol and Ida Häggström and Erich Kobler and Yousef Mazaheri and Maggie M Fung and Zhigang Zhang and Ricardo Otazo and Herbert A. Vargas and Oguz Akin},
journal= {arXiv preprint arXiv:2007.00121},
year = {2020}
}
备注
This manuscript has been accepted for publication in Radiology: Artificial Intelligence (https://pubs.rsna.org/journal/ai), which is published by the Radiological Society of North America (RSNA)