迭代学习用于3D脑部MRI联合图像去噪与运动伪影校正
图像与视频处理
2024-03-14 v1 计算机视觉与模式识别
机器学习
摘要
图像噪声和运动伪影极大地影响脑部MRI的质量，并对下游医学图像分析产生负面影响。以往研究通常侧重于逐切片处理各体积MR图像的2D方法，因而丢失了重要的3D解剖信息。此外，这些研究通常将图像去噪和伪影校正视为两个独立任务，未考虑它们之间的潜在关系，尤其是在严重噪声和运动伪影同时出现的低质量图像上。为解决这些问题，我们提出了一种通过迭代学习处理带有运动伪影的噪声MRI的联合图像去噪与运动伪影校正（JDAC）框架，该框架由一个自适应去噪模型和一个抗伪影模型组成。在自适应去噪模型中，我们首先设计了一种新颖的噪声水平估计策略，然后通过一个以估计噪声方差为条件进行特征归一化的U-Net主干网络自适应地降低噪声。抗伪影模型采用另一个U-Net来消除运动伪影，并引入了一种新颖的基于梯度的损失函数，旨在运动校正过程中保持脑部解剖结构的完整性。这两个模型通过一个迭代学习框架被迭代地用于联合图像去噪和伪影校正。一种依赖于噪声水平估计的早停策略被用于加速迭代过程。去噪模型使用9,544个手动添加高斯噪声作为监督的T1加权MRI进行训练。抗伪影模型在552个带有运动伪影的T1加权MRI及其配对的运动-free图像上进行训练。在公开数据集和一项临床研究上的实验结果表明，与几种最先进的方法相比，JDAC在去噪和运动伪影校正这两个任务上均具有有效性。
引用
@article{arxiv.2403.08162,
title = {Iterative Learning for Joint Image Denoising and Motion Artifact Correction of 3D Brain MRI},
author = {Lintao Zhang and Mengqi Wu and Lihong Wang and David C. Steffens and Guy G. Potter and Mingxia Liu},
journal= {arXiv preprint arXiv:2403.08162},
year = {2024}
}