SDnDTI:基于自监督深度学习的扩散张量 MRI 去噪
图像与视频处理
2021-11-16 v1 机器学习
医学物理
摘要
扩散加权图像(DWIs)中的噪声降低了扩散张量磁共振成像(DTI)所得微结构参数的准确度与精密度,并导致需要更长的采集时间以获得更高的信噪比(SNR)。基于卷积神经网络(CNNs)的深度学习图像去噪性能优越,但往往需要额外的低噪声数据来监督 CNNs 的训练,这降低了实际可行性。我们开发了一种称为“SDnDTI”的基于自监督深度学习的 DTI 数据去噪方法,其不需要额外的低噪声数据用于训练。具体而言,SDnDTI 将多方向 DTI 数据划分为许多子集,每个子集由沿最优选取的、对张量拟合具有噪声鲁棒性的六个扩散编码方向的 DWI 体积组成,然后从使用每个数据子集拟合的扩散张量合成沿所有采集方向的 DWI 体积,作为 CNNs 的输入数据。另一方面,SDnDTI 从使用所有采集数据拟合的扩散张量合成具有更高 SNR 的沿采集扩散编码方向的 DWI 体积,作为训练目标。SDnDTI 使用深度三维 CNN 对每个合成 DWI 体积子集去噪,以匹配更干净目标 DWI 体积的质量,并通过平均所有去噪数据子集获得更高的 SNR。SDnDTI 的去噪功效在 Human Connectome Project (HCP) 与 Lifespan HCP in Aging 提供的两个数据集上得到验证。SDnDTI 结果保留了图像清晰度与纹理细节,并大幅优于原始数据结果。SDnDTI 结果与基于监督学习的去噪结果相当,并优于包括 BM4D、AONLM 和 MPPCA 在内的最先进传统去噪算法。
引用
@article{arxiv.2111.07220,
title = {SDnDTI: Self-supervised deep learning-based denoising for diffusion tensor MRI},
author = {Qiyuan Tian and Ziyu Li and Qiuyun Fan and Jonathan R. Polimeni and Berkin Bilgic and David H. Salat and Susie Y. Huang},
journal= {arXiv preprint arXiv:2111.07220},
year = {2021}
}