FD-Net：一种用于 EPI 中磁敏感伪影校正的无监督深度前向畸变模型
图像与视频处理
2023-10-12 v1 计算机视觉与模式识别
摘要
近期 EPI 中基于学习的校正方法估计位移场，用估计场对反向相位编码（PE）图像对进行去畸变，并对去畸变后的图像对取平均以得到校正图像。这些基于去畸变的方法中的无监督学习通常通过反向 PE 方向中去畸变图像间的相似性约束实现，忽略了与所采集 EPI 图像的一致性。本工作提出一种无监督深度学习方法，用于快速有效地校正 EPI 采集的反向相位编码（PE）图像对中的磁敏感伪影。FD-Net 同时预测磁敏感引起的位移场与底层解剖正确图像。与先前方法不同，FD-Net 强制正确图像在两个 PE 方向上的前向畸变与所采集的反向 PE 图像对保持一致。FD-Net 进一步利用多分辨率架构以保持较高的局部与全局性能。FD-Net 在图像质量上与金标准参考方法（TOPUP）相当，同时实现了计算效率的飞跃。此外，FD-Net 在图像与场质量方面均优于近期无监督校正的基于去畸变的方法。该无监督 FD-Net 方法引入了一种深度前向畸变方法，通过保持与测量数据的一致性，实现 EPI 中磁敏感伪影的快速、高保真校正，因此在提升 EPI 成像解剖精度方面极具前景。
引用
@article{arxiv.2303.10436,
title = {FD-Net: An Unsupervised Deep Forward-Distortion Model for Susceptibility Artifact Correction in EPI},
author = {Abdallah Zaid Alkilani and Tolga Çukur and Emine Ulku Saritas},
journal= {arXiv preprint arXiv:2303.10436},
year = {2023}
}
备注
20 pages, 11 figures