用于定量$R_2^\ast$成像的基于学习的运动伪影去除网络（LEARN）
图像与视频处理
2022-01-31 v2
摘要
目的：介绍两种新颖的基于学习的运动伪影去除网络（LEARN），用于从运动损坏的多梯度回波（mGRE）MRI数据中估计定量运动及不均匀性校正的图。方法：我们训练两个卷积神经网络（CNNs）以校正运动伪影，从而从mGRE序列高质量地估计定量不均匀性校正的图。第一个CNN，LEARN-IMG，对复数mGRE图像进行运动校正，以便随后使用标准体素级分析或基于机器学习的分析计算高质量无运动定量（以及任何其他mGRE支持的）图。第二个CNN，LEARN-BIO，通过利用描述mGRE信号衰减的生物物理模型，训练为直接从运动损坏的仅幅度mGRE图像生成运动及不均匀性校正的定量图。我们表明，在合成MR图像上训练的两个CNN均能够抑制运动伪影，同时保留预测定量图中的细节。使用我们训练的模型也在实验性体内运动损坏数据上实现了运动伪影的显著减少。结论：LEARN-IMG和LEARN-BIO均能够实现高质量运动及不均匀性校正图的计算。LEARN-IMG对mGRE图像进行运动校正，并依赖后续分析来估计图，而LEARN-BIO直接进行运动及不均匀性校正的估计。LEARN-IMG和LEARN-BIO均联合处理所有可用的梯度回波，这使它们能够利用数据中可用的空间模式。LEARN-BIO的高计算速度是一项优势，可促成更广泛的临床应用。
引用
@article{arxiv.2109.01622,
title = {Learning-based Motion Artifact Removal Networks (LEARN) for Quantitative $R_2^\ast$ Mapping},
author = {Xiaojian Xu and Satya V. V. N. Kothapalli and Jiaming Liu and Sayan Kahali and Weijie Gan and Dmitriy A. Yablonskiy and Ulugbek S. Kamilov},
journal= {arXiv preprint arXiv:2109.01622},
year = {2022}
}