基于感知损失驱动的深度学习框架用于消除MRI运动伪影
计算机视觉与模式识别
2026-04-21 v2
摘要
目的：深度学习驱动的MRI伪影校正方法在临床数据上常表现出较差的泛化能力。这一限制主要源于深度学习模型难以可靠地区分运动伪影与真实解剖结构，由于对伪影特征的认识不足。为解决这一挑战，我们提出了PERCEPT-Net（感知驱动网络），一种增强结构保持并抑制伪影的深度学习框架。方法：PERCEPT-Net基于残差U-Net架构构建，包含三个辅助组件。第一个多尺度恢复模块旨在保留全局解剖背景和细节结构，第二个双注意力机制进一步提升性能，通过优先考虑临床相关特征。框架的核心是第三个运动感知损失（MPL），这是一种基于伪影的感知监督策略，学习MRI运动伪影的通用表征，使模型能够有效抑制伪影，同时保持解剖真实性。该模型在由真实和模拟配对体积组成的混合数据集上进行训练，其性能通过定量指标和经验放射科医生的定性评估在前瞻性测试集上得到验证。结果：在临床数据上，PERCEPT-Net超越了当前的前沿方法。消融研究确定，运动感知损失是这种性能提升的主要贡献者，显著改善了结构一致性和组织对比度，体现在更高的SSIM和PSNR值上。这些发现进一步得到放射科医生评估的支持，校正后的体积显示出显著更高的诊断信心。
引用
@article{arxiv.2604.10439,
title = {Removing Motion Artifact in MRI by Using a Perceptual Loss Driven Deep Learning Framework},
author = {Ziheng Guo and Danqun Zheng and Shuai Li and Chengwei Chen and Boyang Pan and Xuezhou Li and Ziqin Yu and Langdi Zhong and Chenwei Shao and Yun Bian and Nan-Jie Gong},
journal= {arXiv preprint arXiv:2604.10439},
year = {2026}
}
备注
7 figrues, 6 tables