DeepASL：基于深度残差学习并融入动力学模型的动脉自旋标记MRI去噪损失
计算机视觉与模式识别
2018-06-13 v2
摘要
动脉自旋标记（ASL）通过对动脉血液水分进行磁标记来定量脑血流量（CBF）。由于其无创性、可重复性以及定量方面的优势，ASL在临床研究中应用日益广泛。然而，ASL固有地存在低信噪比（SNR）问题，需要重复测量对照/自旋标记（C/L）配对以获得合理的图像质量，这反过来又增加了运动敏感性。这导致临床扫描时间延长，增加了运动伪影的风险。因此，ASL领域对先进的成像与处理技术有着巨大需求。本文提出一种基于深度学习的新方法，利用所有可用成对C/L相减结果的一个子集来改善灌注加权图像质量。具体而言，我们训练一个深度全卷积网络（FCN），学习从含噪灌注加权图像及其与干净图像之差（残差）到干净图像的映射。此外，我们在训练时的损失函数中融入CBF估计模型，使网络在生成高质量图像的同时，强制CBF估计值尽可能接近参考CBF值。在合成与临床ASL数据集上的大量实验证明了该方法在改善ASL图像质量、准确估计CBF参数以及测试时极短计算时间方面的有效性。
引用
@article{arxiv.1804.02755,
title = {DeepASL: Kinetic Model Incorporated Loss for Denoising Arterial Spin Labeled MRI via Deep Residual Learning},
author = {Cagdas Ulas and Giles Tetteh and Stephan Kaczmarz and Christine Preibisch and Bjoern H. Menze},
journal= {arXiv preprint arXiv:1804.02755},
year = {2018}
}
备注
Accepted at MICCAI 2018. 9 pages, 4 figures, 1 table