基于再生核Hilbert空间结构保持低秩去噪的SNR增强扩散MRI
医学物理
2020-09-15 v1 图像与视频处理
摘要
目的：介绍、开发并评估一种用于扩散 MRI 的新型去噪技术，该技术利用数据中的非线性冗余以提升 SNR 同时保持信号信息。方法：我们通过核主成分分析（KPCA）——PCA 到再生核 Hilbert 空间的非线性推广——来利用 dMRI 数据的非线性冗余。通过将信号映射到高维空间，尽管数据中存在非线性，仍可实现更好的冗余，从而比线性 PCA 实现更好的去噪。我们使用高斯核实现 KPCA，其参数根据噪声统计知识自动选取，并在逼真的蒙特卡洛模拟以及体内人脑亚毫米分辨率 dMRI 数据上验证。我们也使用多通道 dMRI 数据演示 KPCA 去噪。结果：在使用 KPCA 去噪的真实体内数据集中获得了高达 2.7 倍的 SNR 提升，而使用最先进 PCA 去噪（如 Marchenko-Pastur PCA（MPPCA））时 SNR 增益高达 1.8 倍。与由平均数据创建的金标准数据集参考相比，我们显示 KPCA 比 MPPCA 实现了更低的归一化均方根误差（NRMSE）。残差统计分析显示仅去除了噪声。展示了在扩散模型参数估计（如分数各向异性、平均扩散率与纤维取向分布函数（fODFs））方面的改进。结论：dMRI 信号的非线性冗余可利用 KPCA 挖掘，其允许比最先进 PCA 方法更优的噪声抑制/SNR 提升，且不损失信号信息。
引用
@article{arxiv.2009.06600,
title = {SNR-enhanced diffusion MRI with structure-preserving low-rank denoising in reproducing kernel Hilbert spaces},
author = {Gabriel Ramos-Llordén and Gonzalo Vegas-Sánchez-Ferrero and Congyu Liao and Carl-Fredrik Westin and Kawin Setsompop and Yogesh Rathi},
journal= {arXiv preprint arXiv:2009.06600},
year = {2020}
}