IR2QSM：基于深度神经网络的定量磁化率映射方法
图像与视频处理
2024-06-19 v1 计算机视觉与模式识别
神经元与认知
摘要
定量磁化率映射（QSM）是一种基于 MRI 相位的后处理技术，用于提取组织磁化率分布，显示出在研究神经系统疾病方面的巨大潜力。然而，偶极子反卷积的病态特性使得从组织场重建 QSM 容易受到噪声和伪影的影响。本文提出一种新颖的基于深度学习的 IR2QSM 方法用于 QSM 重建。该方法通过迭代四次的逆连接和中间循环模块增强型 U-net 设计，能够显著提高潜在特征的利用效率。进行了仿真和体内实验，比较了 IR2QSM 与几种传统算法（MEDI 和 iLSQR）以及最新深度学习方法（U-net、xQSM 和 LPCNN）的结果。结果表明，IR2QSM 能够获得显著提高精度的 QSM 图像，并显著减轻其他方法的伪影。特别地，在仿真实验中，IR2QSM 平均实现最佳的 NRMSE（27.59%），分别比 iLSQR、MEDI、U-net、xQSM、LPCNN 低 15.48%、7.86%、17.24%、9.26% 和 29.13%，并为体内数据获得更少伪影的改进 QSM 结果。
引用
@article{arxiv.2406.12300,
title = {IR2QSM: Quantitative Susceptibility Mapping via Deep Neural Networks with Iterative Reverse Concatenations and Recurrent Modules},
author = {Min Li and Chen Chen and Zhuang Xiong and Ying Liu and Pengfei Rong and Shanshan Shan and Feng Liu and Hongfu Sun and Yang Gao},
journal= {arXiv preprint arXiv:2406.12300},
year = {2024}
}
备注
10 pages, 9 figures