基于条件生成对抗网络的 Dixon MRI 无交换脂肪-水分离
图像与视频处理
2023-01-18 v1 计算机视觉与模式识别
摘要
Dixon MRI 广泛用于身体成分研究。当前与大型全身体积相关的处理方法耗时且易在扫描仪上执行脂肪-水分离时产生伪影，使数据难以分析。最常见的伪影是脂肪-水交换，即体素级别的标签反转。研究者通常会丢弃交换的数据（一般约 10%），这可能造成浪费并导致非预期偏差。UK Biobank 正在为超过 100,000 名参与者采集 Dixon MRI，将会出现数千次交换。若未被检出，错误将传播至腹部器官分割等过程，并稀释基于人群分析中的结果。显然需要一种快速且鲁棒的方法来准确分离脂肪和水通道。本工作中我们提出这样一种基于风格迁移、使用条件生成对抗网络的方法。我们还为生成器模型引入了新的 Dixon 损失函数。利用来自 UK Biobank Dixon MRI 的数据，我们的模型能够预测无伪影的高精度脂肪和水通道。我们展示该模型可使用单输入（同相）或双输入（同相和反相）分离脂肪和水通道，后者产生更优结果。我们提出的方法通过消除因脂肪-水交换而进行视觉检查或丢弃数据的需要，实现了人群研究中 Dixon MRI 身体成分更快且更准确的下游分析。
引用
@article{arxiv.2107.14175,
title = {Swap-Free Fat-Water Separation in Dixon MRI using Conditional Generative Adversarial Networks},
author = {Nicolas Basty and Marjola Thanaj and Madeleine Cule and Elena P. Sorokin and Yi Liu and Jimmy D. Bell and E. Louise Thomas and Brandon Whitcher},
journal= {arXiv preprint arXiv:2107.14175},
year = {2023}
}