基于深度学习与有效数据增强技术的脑 MRI 局部运动伪影抑制
图像与视频处理
2020-11-03 v2 计算机视觉与模式识别
机器学习
摘要
扫描中运动会降低磁共振成像（MRI）的质量，从而削弱其在检测临床相关异常方面的效用。我们引入一种基于深度学习的 MRI 伪影抑制模型（DMAR），用于定位并校正脑 MRI 扫描中的头部运动伪影。我们的方法融合了计算机视觉中目标检测与噪声抑制的最新进展。具体而言，DMAR 采用两阶段方法：第一阶段使用 Single Shot Multibox Detector（SSD）检测退化区域，第二阶段使用卷积自编码器（CAE）抑制所发现区域内的伪影。我们进一步引入一组新颖的数据增强技术，以应对 MRI 图像的高维度和可用数据的稀缺性。因此，我们的模型在由 375 例全脑 T1 加权 MRI 扫描生成的 225,000 张图像的大规模合成数据集上完成训练。DMAR 应用于合成测试图像以及来自多中心 Autism Brain Imaging Data Exchange（ABIDE）研究中 18 名受试者的 55 张真实世界运动受影响切片时，均可见地减少了图像伪影。在定量上，根据退化程度不同，我们的模型在 5000 张合成图像样本集上实现了 RMSE 降低 27.8%–48.1%，以及 PSNR 提升 2.88–5.79 dB。对于来自 ABIDE 的真实世界伪影受影响扫描，我们的模型降低了伪影受影响脑区内图像体素强度的方差（p = 0.014）。
引用
@article{arxiv.2007.05149,
title = {Localized Motion Artifact Reduction on Brain MRI Using Deep Learning with Effective Data Augmentation Techniques},
author = {Yijun Zhao and Jacek Ossowski and Xuming Wang and Shangjin Li and Orrin Devinsky and Samantha P. Martin and Heath R. Pardoe},
journal= {arXiv preprint arXiv:2007.05149},
year = {2020}
}
备注
11 pages, 8 figures