Patch2Self：基于自监督学习的扩散磁共振图像去噪
机器学习
2020-11-04 v1 计算机视觉与模式识别
定量方法
摘要
扩散加权磁共振成像（DWI）是唯一一种无创量化活体人脑微结构并重建白质通路的方法。来自多个来源的波动在 DWI 数据中产生显著的加性噪声，必须在后续微结构分析前予以抑制。我们提出了一种用于 DWI 数据去噪的自监督学习方法 Patch2Self，其利用整个体数据为该体学习一个满秩局部线性去噪器。通过利用 DWI 数据的过采样 q 空间，Patch2Self 能够在无需对结构与噪声分别建立显式模型的情况下将二者分离。我们在真实与仿真数据上，通过相对于其他无监督方法在微结构建模、追踪（经由纤维束相干性）及模型估计方面的定量与定性改进，展示了 Patch2Self 的有效性。
引用
@article{arxiv.2011.01355,
title = {Patch2Self: Denoising Diffusion MRI with Self-Supervised Learning},
author = {Shreyas Fadnavis and Joshua Batson and Eleftherios Garyfallidis},
journal= {arXiv preprint arXiv:2011.01355},
year = {2020}
}