深度学习引导的加权平均用于肝脏扩散加权成像中的信号丢失补偿
图像与视频处理
2022-02-22 v1 医学物理
摘要
目的：开发一种用于回顾性校正腹部扩散加权成像（DWI）中由心脏运动引起的信号丢失伪影的算法。方法：给定某一层面的多幅重复图像，提出一种局部自适应加权平均方法，旨在抑制受信号丢失影响的图像区域的贡献。相应的权重图由滑动窗口算法估计，该算法分析各图像块相对于块级参考信号的偏差。为确保计算出稳健的参考，使用分类器对重复图像进行筛选，该分类器经训练可检测受信号丢失污染的图像。所提方法称为深度学习引导的自适应加权平均（DLAWA），从丢失抑制能力、表观扩散系数（ADC）的偏差减小以及噪声特性等方面进行了评估。结果：在均匀平均的情况下，运动相关的丢失导致肝脏部分区域信号衰减和 ADC 高估，尤以左叶受影响明显。DLAWA 可大幅缓解这两种效应，同时通过局部信号抑制避免了对信噪比（SNR）的全局损害。在患者数据上的评估还表明，该方法能够恢复被信号丢失掩盖的病灶。此外，DLAWA 可通过少量超参数对 SNR 与信号丢失抑制之间的权衡进行透明控制。结论：本工作提出了一种有效且灵活的方法，用于局部补偿由运动和搏动引起的信号丢失。由于 DLAWA 采用回顾性方法，无需改动采集过程。
引用
@article{arxiv.2202.09912,
title = {Deep learning-guided weighted averaging for signal dropout compensation in diffusion-weighted imaging of the liver},
author = {Fasil Gadjimuradov and Thomas Benkert and Marcel Dominik Nickel and Tobit Führes and Marc Saake and Andreas Maier},
journal= {arXiv preprint arXiv:2202.09912},
year = {2022}
}
备注
Submitted to Magnetic Resonance in Medicine