基于无监督深度学习的扩散加权MRI超分辨率与运动伪影联合去除
图像与视频处理
2021-05-04 v1 计算机视觉与模式识别
机器学习
摘要
扩散加权MRI因其预后能力如今已常规开展，但扫描质量常不尽如人意，进而可能妨碍其临床效用。为克服这些局限，我们在此提出一种完全无监督的质量增强方案，可同时提升分辨率并去除运动伪影。该过程首先使用由最优传输驱动的cycleGAN与随机退化块训练网络，使其学习去除混叠伪影并增强分辨率，随后在测试阶段利用自助子采样与聚合来抑制运动伪影。我们进一步表明，通过在推理阶段控制自助子采样比例，可调控伪影校正量与分辨率之间的权衡。据我们所知，所提方法是首个在MRI背景下利用无监督学习同时解决超分辨率与运动伪影校正的方法。我们将其应用于仿真研究的定量评估以及体内扩散加权MR扫描，证明了方法的有效性，结果表明其优于当前最先进的方法。所提方法具有灵活性，既可应用于其他类型MR扫描的多种质量增强方案，也可直接用于表观扩散系数图的质量增强。
引用
@article{arxiv.2105.00240,
title = {Simultaneous super-resolution and motion artifact removal in diffusion-weighted MRI using unsupervised deep learning},
author = {Hyungjin Chung and Jaehyun Kim and Jeong Hee Yoon and Jeong Min Lee and Jong Chul Ye},
journal= {arXiv preprint arXiv:2105.00240},
year = {2021}
}