利用深度学习对动脉自旋标记脑血流量图像去噪
计算机视觉与模式识别
2018-01-31 v1
摘要
动脉自旋标记灌注MRI是一种测量定量脑血流量(CBF)的无创技术,但其测量受低信噪比(SNR)影响。已有多种后处理方法被提出用于对ASL MRI去噪,但仅提供中等程度的改善。深度学习(DL)是一种新兴技术,可在无需先验建模的情况下从数据中学习最具代表性的信号,而先验建模可能高度复杂且无法解析描述。本研究的目的是评估DL破纪录的性能是否能转化到ASL MRI去噪中。我们使用卷积神经网络(CNN)构建DL ASL去噪模型(DL-ASL),以固有地考虑体素间相关性。为更好地指导DL-ASL训练,我们融入了关于ASL MRI的先验知识:ASL CBF图与灰质概率图之间的结构相似性。我们使用相对较大的样本数据训练模型,随后将其应用于一组新数据上进行测试。实验结果表明,与当前常规方法相比,DL-ASL在更高SNR、保持CBF量化质量同时将采集时间缩短75%、以及自动部分容积校正方面,实现了ASL MRI的SOTA去噪性能。
引用
@article{arxiv.1801.09672,
title = {Denoising Arterial Spin Labeling Cerebral Blood Flow Images Using Deep Learning},
author = {Danfeng Xie and Li Bai and Ze Wang},
journal= {arXiv preprint arXiv:1801.09672},
year = {2018}
}
备注
7 pages