受结构与光滑性约束的双网络用于MR偏场校正

MR成像技术对于疾病诊断具有巨大益处。然而，由于MR设备的局限，成像结果中常存在显著的强度非均匀性，这会阻碍定性和定量医学分析。最近提出了几种基于无监督深度学习的模型用于MR图像改进。然而，这些模型仅关注全局外观学习，忽略了图像结构和偏场光滑性的约束，导致校正后的结果出现失真。本文提出了一种新颖的受结构和光滑性约束的双网络（structure and smoothness constrained dual networks, S2DNets），旨在自监督地进行偏场校正。S2DNets引入分段结构约束和偏场的光滑性，用于网络训练，从而有效地去除非均匀强度并保留更多结构细节。在临床和模拟MR数据集上执行的大量实验表明，我们提出的模型在性能上优于其他传统和深度学习模型。除了比较视觉指标外，还使用下游MR图像分割任务来评估所提出模型的影响。源代码可在 https://github.com/LeongDong/S2DNets 获取。