考虑噪声相关性的多线圈MRI深度去噪器自监督训练

基于深度学习的去噪方法在提升磁共振（MR）图像信噪比方面已展现出强大效果，大多通过利用带干净真值的有监督学习实现。然而，获取干净真值图像通常昂贵且耗时。自监督方法已被广泛研究以缓解对干净图像的依赖，但大多依赖于对图像K空间测量的次优分割来生成输入与目标图像以确保统计独立性。在本研究中，我们探究一种用于多线圈MRI中深度去噪器的替代性自监督训练方法，称为Coil2Coil（C2C），其自然地分割并组合相控阵线圈间的多线圈数据，生成两幅含噪图像用于训练。这种新颖方法可利用多线圈冗余，但图像间统计相关且可能不具有相同的干净图像。为缓解这些问题，我们提出近似去相关这些图像的统计依赖并匹配底层干净图像的方法，从而使其可用作训练对。在合成去噪实验中，C2C相较于先前的自监督方法取得了最佳性能，其结果甚至可与有监督方法相媲美。对于真实世界去噪情形，C2C取得了与合成情形一致的性能，仅去除噪声结构。