利用深度学习和新型混合损失函数进行 MRI 运动校正
图像与视频处理
2022-10-26 v1 计算机视觉与模式识别
摘要
目的 开发并评估一种基于深度学习的方法（MC-Net）以抑制脑磁共振成像（MRI）中的运动伪影。方法 MC-Net 由 UNet 结合两阶段多损失函数派生而来。使用受合成运动污染的 T1 加权轴位脑图像训练网络。评估使用了训练期间未见的模拟 T1 和 T2 加权轴位、冠状位和矢状位图像，以及来自真实扫描的含运动伪影 T1 加权图像。性能指标包括峰值信噪比（PSNR）、结构相似性指数测度（SSIM）和视觉读片评分。两名临床读片者对图像进行评分。结果 在 T1 轴位测试集上，MC-Net 在 PSNR 和 SSIM 方面优于所实现的其他方法。MC-Net 显著改善了所有 T1 加权图像的质量（所有方向以及模拟和真实运动伪影），无论在定量测度还是视觉评分上。然而，MC-Net 在未经训练对比度（T2 加权）图像上表现不佳。结论 所提出的两阶段多损失 MC-Net 可有效抑制脑 MRI 中的运动伪影而不损害图像上下文。鉴于 MC-Net 的效率（单图像处理时间约 40 ms），其潜在可用于真实临床环境。为促进进一步研究，代码和训练模型已发布于 https://github.com/MRIMoCo/DL_Motion_Correction。
引用
@article{arxiv.2210.14156,
title = {Motion correction in MRI using deep learning and a novel hybrid loss function},
author = {Lei Zhang and Xiaoke Wang and Michael Rawson and Radu Balan and Edward H. Herskovits and Elias Melhem and Linda Chang and Ze Wang and Thomas Ernst},
journal= {arXiv preprint arXiv:2210.14156},
year = {2022}
}