基于卷积神经网络与迁移学习的扩散加权磁共振图像有监督去噪
图像与视频处理
2022-06-02 v1 计算机视觉与模式识别
摘要
本文提出一种利用在真实合成 MR 数据上训练的卷积神经网络对脑部扩散加权图像（DWI）进行去噪的方法。我们将结果与重复扫描平均法进行比较，后者是临床中广泛用于提高 MR 图像信噪比的方法。为获取迁移学习的训练数据，我们以数据驱动方式对回波平面成像（EPI）效应建模：奈奎斯特鬼影与斜坡采样。我们将这些效应引入脑解剖数字体模（BrainWeb）。我们并非以定义的概率分布模拟伪随机噪声，而是采用针对脑 DWI 设计的协议进行噪声扫描以获得真实噪声图，并将其与模拟的无噪声 EPI 图像结合。我们还测量了 AJR 认证几何体模的 DWI 中的点扩散函数，以及健康志愿者脑扫描中的扫描间运动。在不同信噪比水平下研究它们对图像去噪与重复图像平均的影响。去噪性能使用模拟 EPI 图像定量评估，并在真实脑部 EPI DWI 中定性评估。我们表明，该方法通过减少重复扫描次数可显著缩短扫描时间。在所获脑图像中的视觉比较表明，去噪后的单次重复图像比多次重复平均图像噪声更小。我们还分析了卷积神经网络去噪器，并指出伴随该去噪方法的挑战。
引用
@article{arxiv.2206.00305,
title = {Supervised Denoising of Diffusion-Weighted Magnetic Resonance Images Using a Convolutional Neural Network and Transfer Learning},
author = {Jakub Jurek and Andrzej Materka and Kamil Ludwisiak and Agata Majos and Kamil Gorczewski and Kamil Cepuch and Agata Zawadzka},
journal= {arXiv preprint arXiv:2206.00305},
year = {2022}
}
备注
Preprint submitted to NeuroImage