MRI去噪的 Imaging Transformer：一个可实现 SNR << 1 成像的可扩展模型架构
图像与视频处理
2025-04-16 v1 信号处理
医学物理
摘要
目的：提出一种灵活且可扩展的 imaging transformer(IT) 架构，包含用于多维成像数据的三个注意力模块，并将其应用于低输入 SNR 的 MRI 去噪。方法：开发了三个独立的注意力模块：空间局部注意力、空间全局注意力和帧注意力。它们捕捉长程信号相关性并将局部信息信息拉回图像中。注意力单元-模块设计处理 5D 张量([B, C, F, H, W])以适用于 2D、2D+T 和 3D 图像数据。构建了高分辨率(HRNet) 主干网络以容纳 IT 模块。训练数据集包含 206,677 例 cine 系列，测试数据集包含 7,267 例系列。测试了 10 个输入 SNR 级别，从 0.05 到 8.0。对比了 IT 模型与七个卷积和 transformer 基准模型。为测试可扩展性，训练了四个 IT 模型，参数量从 2700 万到 2.18 亿。两位资深心脏科医生审阅了 IT 模型输出的图像，测量 EF 并与真实值进行比较。结果：IT 模型在所测试的 SNR 级别上显著优于其他模型。性能差距在低 SNR 级别最为突出。IT-218m 模型在 SSIM 和 PSNR 上取得最高值，即使在 SNR 为 0.2 时也能恢复良好的图像质量和解剖细节。两位专家在该 SNR 或更高水平下一致认同，IT 模型输出的图像与真实值提供了相同的临床解读。该模型产生的图像在 EF 测量方面与真实值相符。结论：Imaging transformer 模型在性能、可扩展性和通用性方面表现出色，可用于 MR 去噪。即使在输入 SNR 仅为 0.2 时，模型也能恢复适用于自信临床阅读和准确 EF 测量的图像质量。
引用
@article{arxiv.2504.10534,
title = {Imaging Transformer for MRI Denoising: a Scalable Model Architecture that enables SNR << 1 Imaging},
author = {Hui Xue and Sarah M. Hooper and Rhodri H. Davies and Thomas A. Treibel and Iain Pierce and John Stairs and Joseph Naegele and Charlotte Manisty and James C. Moon and Adrienne E. Campbell-Washburn and Peter Kellman and Michael S. Hansen},
journal= {arXiv preprint arXiv:2504.10534},
year = {2025}
}