DeepResp:用于多层GRE中呼吸诱发B0波动伪影的深度学习解决方案
图像与视频处理
2020-10-09 v1
摘要
呼吸诱发的B波动通过在k空间中引入相位误差而破坏MRI图像。已有一些如导航器之类的方法被提出以校正伪影,但代价是需修改序列。在本研究中,提出了一种称为DeepResp的新深度学习方法,用于减少多层梯度回波(GRE)图像中的呼吸伪影。DeepResp旨在使用深度神经网络从复数图像中提取呼吸诱发的相位误差。然后,将网络生成的相位误差应用于k空间数据,生成伪影校正后的图像。对于网络训练,使用无伪影图像和呼吸数据生成了计算机模拟图像。评估时,两种不同呼吸条件(深呼吸和自然呼吸)的模拟图像和体内图像均显示出改善(模拟:归一化均方根误差(NRMSE)从7.8%降至1.3%;结构相似性(SSIM)从0.88升至0.99;鬼影信号比(GSR)从7.9%降至0.6%;深呼吸:NRMSE从13.9%降至5.8%;SSIM从0.86升至0.95;GSR从20.2%降至5.7%;自然呼吸:NRMSE从5.2%降至4.0%;SSIM从0.94升至0.97;GSR从5.7%降至2.8%)。我们的方法不需要对序列作任何修改或额外硬件,因此可能有用的应用。此外,深度神经网络提取呼吸诱发的相位误差,比端到端训练网络的结果更具可解释性和可靠性。
引用
@article{arxiv.2007.09597,
title = {DeepResp: Deep learning solution for respiration-induced B0 fluctuation artifacts in multi-slice GRE},
author = {Hongjun An and Hyeong-Geol Shin and Sooyoen Ji and Woojin Jung and Sehong Oh and Dongmyung Shin and Juhyung Park and Jongho Lee},
journal= {arXiv preprint arXiv:2007.09597},
year = {2020}
}
备注
19 pages