用于从高通滤波相位实现鲁棒定量磁化率成像的高通滤波保真度约束网络微调（HP-FINE）
图像与视频处理
2025-10-08 v2 计算机视觉与模式识别
摘要
目的：提升基于深度学习的从高通滤波相位（HPFP）数据预测定量磁化率成像（QSM）的泛化能力。方法：提出一种称为 HP-FINE 的网络微调步骤，其基于具有低频保留正则化的高通滤波前向模型。进行了若干对比：1. 带与不带低频正则化的 HP-FINE；2. 三种三维网络架构（Unet、Progressive Unet 和 Big Unet）；3. 两类网络输出（恢复的场与磁化率）；4. 带与不带滤波增强的预训练。使用具有不同高通滤波器、另一种采集体素尺寸以及前瞻性采集的 HPFP 数据集来评估 QSM 预测的精度。在回顾性数据集中，采用定量指标（PSNR、SSIM、RMSE 和 HFEN）进行评估。在前瞻性数据集中，采用 ROI 线性回归统计与 Bland-Altman 分析进行评估。结果：在回顾性数据集中，与预训练结果相比，在 HP-FINE 中加入低频正则化显著提高了预测精度，尤其在与滤波增强及恢复场输出结合时。在前瞻性数据集中，带低频正则化及恢复场输出的 HP-FINE 表现出对 ROI 数值的保持，而使用磁化率作为输出时未能达到该结果。此外，采用多损失组合预训练的 Progressive Unet 在保持 ROI 数值方面优于采用单损失预训练的 Unet 与 Progressive Unet。
引用
@article{arxiv.2305.03844,
title = {High-pass filtered fidelity-imposed network edit (HP-FINE) for robust quantitative susceptibility mapping from high-pass filtered phase},
author = {Jinwei Zhang and Alexey Dimov and Chao Li and Hang Zhang and Thanh D. Nguyen and Pascal Spincemaille and Yi Wang},
journal= {arXiv preprint arXiv:2305.03844},
year = {2025}
}